Pós-Graduação em Ciência da Computação
Raisa Brito Costa
REC-PSI: Um Sistema de Recomendação de Textos para Auxiliar Pessoas que Sofrem de Transtornos Mentais
Universidade Federal de Pernambuco
www.cin.ufpe.br/~posgraduacao
RECIFE 2017
Raisa Brito Costa
REC-PSI: Um Sistema de Recomendação de Textos para Auxiliar Pessoas que Sofrem de Transtornos Mentais
Trabalho apresentado ao Programa de Pós-Graduação em Ciência da Computação do Centro de Informática da Universidade Federal de Pernambuco como requisito parcial para obtenção do grau de Mestre em Ciência da Computação.
ORIENTADORA: Dra. Flávia De Almeida Barros
RECIFE 2017
Catalogação na fonte
Bibliotecária Elaine Cristina de Freitas, CRB4-1790
C837r Costa, Raisa Brito.
REC-PSI: Um Sistema de Recomendação de Textos para Auxiliar Pessoas
que Sofrem de Transtornos Mentais / Raisa Brito Costa. – 2017.
111 f.: il., fig., tab.
Orientador: Flávia de Almeida Barros.
Dissertação (Mestrado) – Universidade Federal de Pernambuco. CIn,
Ciência da Computação, Recife, 2017.
Inclui referências e apêndice.
1. Inteligencia Artificial 2. Agentes Inteligentes 3. Representação do
Conhecimento I. Barros, Flávia de Almeida (orientador) II. Título.
006.3 CDD (23. ed.) UFPE- MEI 2017-202
Raisa Brito Costa
REC-PSI: Um Sistema de Recomendação de Textos para Auxiliar Pessoas que Sofrem
de Transtornos Mentais
Dissertação de Mestrado apresentada ao Programa de
Pós-Graduação em Ciência da Computação da
Universidade Federal de Pernambuco, como
requisito parcial para a obtenção do título de Mestre
em Ciência da Computação
Aprovado em: 25/08/2017.
BANCA EXAMINADORA
________________________________________________
Profa. Dra. Patricia Cabral de Azevedo Restelli Tedesco
Centro de Informática / UFPE
________________________________________________
Profa. Dra. Leila Weizel Coelho da Silva
1.1 Departamento de Computação / UFF
_________________________________________________
2.1 Profa. Dra. Flávia de Almeida Barros
Centro de Informática / UFPE
(Orientadora)
Dedico este trabalho aos meus pais Geraldina Brito Costa e Raimundo Ferreira Costa Por
serem meus grandes incentivadores. Dedico também ao Rogerio Pimentel e aos meus amigos
que foram de suma importância para superar os obstaculos durante todo o percurso.
AGRADECIMENTOS
Sei que poucos irão ler esta seção do documento, mas para mim é uma das partes mais
importantes, porque se não tivesse o apoio dessas pessoas, provavelmente nada do que foi
feito aqui teria acontecido.
Quero agradecer em primeiro lugar a Deus pelo dom da vida, ao Senhor que sempre
esteve presente em minha luta diária, me guiando com sua luz divina, meu imenso
agradecimento, pois esqueço tantas vezes de agradecer-lhe. Peço que nesta nova caminhada,
que ora se inicia, me proteja e me conceda suas graças.
Aos meus pais, Geraldina Brito Costa e Raimundo Ferreira Costa, pois de vocês recebi
o dom maior, a vida. Entretanto, não se contentaram em presentear-me apenas com a vida.
Revestiram minha existência de amor, carinho e dedicação. Abriram as portas do nosso
futuro, sempre acreditando que a educação era o melhor caminho. Quantas renúncias fizeram
em nome desse amor por mim... Agradeço por fazerem do meu sonho um sonho de vocês
também. Obrigada por caminharem junto comigo, por estarem sempre presentes nos
momentos mais importantes, pela dedicação de uma vida. Sem vocês eu nada seria. Agradeço
a Deus todos os dias pelos pais maravilhosos que Ele me deu.
Agradeço ao Rogério Pimentel, meu grande companheiro, que sempre esteve ao meu
lado, me apoiando e incentivando todos os dias. Agradeço pela sua cumplicidade. Que Deus
me conceda muito anos de vida ao seu lado.
A minha orientadora, Professora Flávia Barros, pela paciência, dedicação. Por me
ajudar a conduzir essa pesquisa mesmo com tantos percalços que ocorreram ao longo dessa
trajetória. Sei que não foi fácil para ela, e por isso meus sinceros agradecimentos.
Agradeço também a todos os meus amigos e companheiros nessa jornada: Aline
Oliveira, Oberdan Alves, Filipe Arruda e Rodrigo Folha. Às minhas amigas Maria Isabel,
Marianna Araújo e Quelita Ribeiro, que sempre me apoiaram, meu muito obrigada.
Agradeço a todos os professores do CIn-UFPE que tive a oportunidade de conhecer,
que compartilharam seus conhecimentos e suas experiências comigo.
À Capes e ao CIn-UFPE pelo financiamento dessa pesquisa.
Por fim, agradeço a todos que direta ou indiretamente contribuíram para essa jornada.
Nesta hora de encerramento de uma etapa muito especial, em que a alegria por estar
terminando se junta ao cansaço, torna-se difícil lembrar-me dos nomes de todos os amigos e
colegas que participaram comigo dessa empreitada. De uma maneira muito sincera, agradeço
a todos que, de uma forma ou de outra, colaboraram para a realização deste trabalho.
As raízes do estudo são amargas,
mas seus frutos são doces.
― Aristóteles
RESUMO
Milhares de pessoas no mundo sofrem de algum transtorno mental, como depressão ou
transtorno bipolar, apresentando dificuldades de enfrentar os desafios do cotidiano. No pior
caso, essas condições levam as pessoas ao suicídio. Apesar de existirem tratamentos para a
maioria desses problemas, a maior parte das pessoas afetadas não busca ajuda, por falta de
condições financeiras ou devido ao estigma que rodeia essas doenças. Em virtude disso,
existem programas mantidos por Governos de alguns países, como sistemas de apoio a
pessoas nessas condições e grupos de apoio na internet. Nos grupos baseados na internet, é
possível encontrar centenas de depoimentos que relatam experiências de pessoas que
passaram ou estão passando por essas condições, buscando inspirar, motivar e mostrar para
pessoas que sofrem que elas não são as únicas a enfrentar esses desafios, e que é possível
conviver com esses problemas e tratá-los. Contudo, na maioria dos casos, encontrar um
depoimento relevante ao contexto de um leitor particular é uma tarefa demorada e difícil,
visto que existem centenas deles na internet e, na sua grande maioria, são textos longos e
desestruturados. Nesse cenário, sistemas de recomendação são uma alternativa interessante
para oferecer um serviço personalizado para cada leitor. Sistemas de recomendação fornecem
automaticamente indicações personalizadas de itens, de acordo com o interesse particular de
um usuário (ou grupo de usuários). Este projeto de mestrado desenvolveu um Sistema de
Recomendação de Texto para auxiliar pessoas que sofrem de transtornos mentais. Os textos
(depoimentos) recomendados foram coletados de diversas fontes da internet e estão
armazenados em um repositório local. O sistema foi implementado utilizando técnicas de
filtragem de informação, tendo dois módulos: um de filtragem baseada em conteúdo, e outro
de filtragem colaborativa. Os resultados obtidos com os testes foram satisfatórios,
apresentando uma forte correlação entre a avaliação dada pelo usuário e a avaliação dada pelo
sistema para o mesmo depoimento.
Palavras-chave: Sistemas de Recomendação. Filtragem baseada em Conteúdo. Filtragem
Colaborativa. Processamento de Texto. Transtornos Mentais. Depressão. Ansiedade.
Transtorno Bipolar. Depoimentos Pessoais.
ABSTRACT
Thousands of people in the world suffer from some mental disorder, such as
depression or bipolar disorder, facing difficulties to tackle the challenges of everyday life. In
the worst case, these conditions may lead to suicide. Although there are treatments for most of
these problems, the majority of the affected persons do not seek help, due to lack of financial
conditions or to the stigma surrounding these diseases. In order to help the people, some
countries maintain governmental programs which offer support systems and supporting
groups on the internet. In internet-based groups, it is possible to find hundreds of testimonials
(personal letters) that convey experiences of people who have undergone or are undergoing
these conditions. The aim is to inspire, motivate and show to people who suffer from mental
disorders that they are not the only ones to face these challenges, and that is possible to deal
with these problems and find proper treatment. However, in most cases finding relevant
testimony to the context of a particular reader is a time-consuming and difficult task, as there
are hundreds of them on the internet, and usually the texts are long and unstructured. In this
scenario, Recommendation Systems are an interesting alternative to provide a personalized
service for each particular reader. These systems automatically provide indications of items
according to the particular interest of a user (or group of users). This MSc project developed a
Text Recommendation System to assist people suffering from mental disorders. The
recommended texts (testimonials) were collected from various internet sources and were
stored in a local repository. The system was implemented based on information filtering
techniques, consisting of two modules: content-based filtering and collaborative filtering. The
experiments results were satisfactory, showing a high correlation between the evaluation
given by the user and the evaluation given by the system for the same testimony.
Keywords: Recommendation Systems. Content-Based Filtering. Collaborative Filtration.
Text Processing. Mental Disorders. Depression. Anxiety. Bipolar disorder. Personal
Testimonials.
LISTA DE FIGURAS
Figura 1 - Exemplo de Lista de Recomendação - "Os Mais Vendidos" ................................... 24
Figura 2 - Exemplo de Avaliação do Usuário com Estrelas .................................................... 25
Figura 3 - Exemplo Avaliações do Usuário com Estrelas e Comentários ................................ 25
Figura 4 - Exemplo de Recomendação Pessoal ........................................................................ 26
Figura 5 - Exemplo de Recomendação por Associação ........................................................... 27
Figura 6 - Exemplo Recomendação por Associação por Conteúdo ........................................ 27
Figura 7 Arquitetura baseada em Técnica de Filtragem de Informação ................................... 38
Figura 8 Arquitetura baseada em Mineração de Dados ............................................................ 39
Figura 9 - Visão Geral do Sistema ........................................................................................... 53
Figura 10 - Formulário Perfil do Usuário ................................................................................. 55
Figura 11 - Exemplo de Depoimento Pessoal .......................................................................... 57
Figura 12 - Modelagem do Banco de Dados ............................................................................ 59
Figura 13 - Tela de Acesso ao Sistema..................................................................................... 60
Figura 14 - Tela de Recomendações para o Usuário ................................................................ 61
Figura 15 - Tela de Visualização de Depoimentos ................................................................... 62
Figura 16 - Barra Superior do Sistema ..................................................................................... 62
Figura 17 - Tela de Depoimentos Lidos ................................................................................... 63
Figura 18 - Ciclo de Recomendação......................................................................................... 64
Figura 19- Passo a Passo da Filtragem por Conteúdo .............................................................. 69
Figura 20 - Passo a Passo da Filtragem Colaborativa .............................................................. 73
Figura 21 - Número de Depoimentos por Transtorno .............................................................. 78
Figura 22 - Número de Depoimentos por Sexo ........................................................................ 78
Figura 23 - Número de Depoimentos por Faixa Etária ............................................................ 79
Figura 24 – Número de Depoimentos com Conteúdo Suicida ................................................. 79
LISTA DE TABELAS
Tabela 1 - Recomendação Baseada em Filtragem Colaborativa .............................................. 31
Tabela 2 - Exemplo de Matriz de Usuários x Itens .................................................................. 33
Tabela 3 - Exemplo de previsão de avaliação de item. ............................................................ 33
Tabela 4 - Matriz Usuário x Item ............................................................................................. 35
Tabela 5 - Weighted Slope One- Cálculo das diferenças de avaliações dos usuários .............. 35
Tabela 6 - Weighted Slope One - Cálculo da recomendação ................................................... 36
Tabela 7 - Filtragem Híbrida ................................................................................................... 36
Tabela 8 - Sites que contêm Depoimentos ............................................................................... 56
Tabela 9 - Lista de Metadados dos Depoimentos ..................................................................... 66
Tabela 10 - Pesos dos Metadados ............................................................................................. 70
Tabela 11 - Exemplo de Depoimentos (Metadados do Repositório)........................................ 71
Tabela 12 - Lista de Depoimentos Ordenada por Relevância .................................................. 72
Tabela 13 - Avaliações Usuário X ............................................................................................ 74
Tabela 14 - Depoimentos em comum entre usuários X, Y e Z ................................................ 74
Tabela 15 - Cálculo das Diferenças para o Usuário X ............................................................. 75
Tabela 16 - Cálculo de Predição de Nota ................................................................................. 75
Tabela 17 – Resultado do Experimento 1 para um usuário ...................................................... 81
Tabela 18 – Resultado Experimento 1 para todos os usuários ................................................. 82
Tabela 19 – Resultado do Experimento 2 para um usuário ...................................................... 83
Tabela 20 - Resultado Experimento 2 para todos os usuários .................................................. 84
Tabela 21 - Erro da filtragem por conteúdo para o Usuário 1 .................................................. 95
Tabela 22 - Erro da filtragem por conteúdo para o Usuário 2 .................................................. 96
Tabela 23 – Erro da filtragem por conteúdo para o Usuário 3 ................................................. 97
Tabela 24 - Erro da filtragem por conteúdo para o Usuário 4 ................................................. 98
Tabela 25 - Erro da filtragem por conteúdo para o Usuário 5 ................................................. 99
Tabela 26 – Erro da filtragem por conteúdo para o Usuário 6 ................................................. 99
Tabela 27– Erro da filtragem por conteúdo para o Usuário 7 ................................................ 100
Tabela 28 – Erro da filtragem por conteúdo para o Usuário 8 ............................................... 100
Tabela 29– Erro da filtragem por conteúdo para o Usuário 9 ................................................ 101
Tabela 30– Erro da filtragem por conteúdo para o Usuário 10 .............................................. 101
Tabela 31– Erro da filtragem por conteúdo para o Usuário 11 .............................................. 102
Tabela 32– Erro da filtragem por conteúdo para o Usuário 12 .............................................. 103
Tabela 33 - Resultado Final do Experimento 1 para todos os usuários (Réplica da tabela 18)
................................................................................................................................................ 104
Tabela 34– Erro da filtragem colaborativa para o Usuário 1 ................................................. 105
Tabela 35 – Erro da filtragem colaborativa para o Usuário 2 ................................................ 105
Tabela 36 – Erro da filtragem colaborativa para o Usuário 3 ................................................ 106
Tabela 37 – Erro da filtragem colaborativa para o Usuário 4 ................................................ 106
Tabela 38 – Erro da filtragem colaborativa para o Usuário 5 ................................................ 107
Tabela 39 – Erro da filtragem colaborativa para o Usuário 6 ................................................ 107
Tabela 40 – Erro da filtragem colaborativa para o Usuário 7 ................................................ 108
Tabela 41– Erro da filtragem colaborativa para o Usuário 8 ................................................. 108
Tabela 42– Erro da filtragem colaborativa para o Usuário 9 ................................................. 109
Tabela 43– Erro da filtragem colaborativa para o Usuário 10 ............................................... 109
Tabela 44– Erro da filtragem colaborativa para o Usuário 11 ............................................... 110
Tabela 45– Erro da filtragem colaborativa para o Usuário 12 ............................................... 110
Tabela 46– Resultado Final do Experimento 2 para todos os usuários (Réplica da tabela 20)
................................................................................................................................................ 111
LISTA DE QUADROS
Quadro 1 – Exemplo de Perfil do Usuário ............................................................................... 70
SUMÁRIO
1 INTRODUÇÃO......................................................................................................16
1.1 Motivação e Contexto ............................................................................................ 17
1.2 Objetivos do Trabalho ........................................................................................... 17
1.2.1 Objetivo Geral .......................................................................................................... 17
1.2.2 Objetivos Específicos ............................................................................................... 18
1.3 Trabalho Realizado ................................................................................................ 18
1.4 Organização Da Dissertação ................................................................................. 19
2 SISTEMAS DE RECOMEDAÇÃO ..................................................................... 20
2.1 Definições Gerais .................................................................................................... 20
2.2 Criação e Manutenção do Perfil do Usuário ....................................................... 21
2.2.1 Identificação do Usuário .......................................................................................... 22
2.2.2 Coleta de Informação ............................................................................................... 23
2.3 Estratégias de Recomendação ............................................................................... 23
2.3.1 Lista de Recomendação ........................................................................................... 24
2.3.2 Avaliação de Usuários ............................................................................................. 24
2.3.3 Recomendação Pessoal ............................................................................................ 26
2.3.4 Recomendação por Associação ................................................................................ 26
2.3.5 Associação por Conteúdo ........................................................................................ 27
2.4 Técnicas de Recomendação ................................................................................... 28
2.4.1 Filtragem de Informações ........................................................................................ 28
2.4.1.1 Filtragem baseada em conteúdo .............................................................................. 29
2.4.1.2 Filtragem colaborativa ............................................................................................ 30
2.4.1.3 Filtragem híbrida ..................................................................................................... 36
2.4.2 Descoberta de Conhecimento................................................................................... 37
2.5 Arquiteturas de Sistemas de Recomendação ....................................................... 37
2.6 Considerações Finais ............................................................................................. 39
3 SISTEMAS COMPUTACIONAIS PARA AUXILIAR PESSOAS COM
TRANSTORNOS MENTAIS................................................................................ 40
3.1 Transtornos Mentais .............................................................................................. 40
3.1.1 Depressão ................................................................................................................. 40
3.1.2 Ansiedade ................................................................................................................. 41
3.1.3 Transtorno Bipolar ................................................................................................... 41
3.1.4 Outros ....................................................................................................................... 41
3.2 Grupos de Apoio na Internet ................................................................................ 42
3.2.1 Sites de Apoio a pessoas com Transtonos Metais ................................................... 43
3.2.2 Redes Sociais de Saúde ............................................................................................ 44
3.3 Sistema de Recomendação na Área da Saúde ..................................................... 46
3.3.1 Proposta de métricas de avaliação da qualidade da informação médica para
Sistemas de Recomendação baseados no perfil do usuário ..................................... 46
3.3.2 A Health Social Network Recommender System .................................................... 47
3.3.3 Artificial Intelligence-Assisted Online Social Therapy for Youth Mental Health .. 47
3.4 Sistemas de Apoio a Pessoas com Transtornos Mentais ..................................... 48
3.4.1 Screening for posttraumatic stress disorder using verbal features in a text mining
approach ................................................................................................................... 48
3.4.2 Uptake and usage of IntelliCare: A publicly available suite of mental health and
well-being apps ........................................................................................................ 49
3.4.3 Artificial Intelligence-Assisted Online Social Therapy for Youth Mental Health .. 49
3.5 Considerações Finais ............................................................................................. 50
4 REC-PSI: UM SISTEMA DE RECOMENDAÇÃO DE TEXTOS PARA
AUXILIAR PESSOAS QUE SOFREM DE TRANSTORNOS MENTAIS ..... 51
4.1 Caracterização do Problema ................................................................................. 51
4.2 Descrição Geral do REC-PSI ................................................................................ 52
4.2.1 Criação do Perfil do Usuário .................................................................................... 54
4.2.2 Coleta de Depoimentos ............................................................................................ 56
4.2.3 Módulo Persistência ................................................................................................. 57
4.2.4 Repositório do Sistema ............................................................................................ 58
4.3 Interfaces e Funcionamento do Sistema............................................................... 59
4.3.1 Ciclo Inicial de Cadastramento e Avaliação ............................................................ 60
4.3.2 Ciclo de Recomendação ........................................................................................... 63
4.1.1.1 Pré-Processamento .................................................................................................. 64
4.1.1.2 Processamento ......................................................................................................... 65
4.1.1.3 Pós-processamento .................................................................................................. 65
4.4 Módulo de Recomendação..................................................................................... 65
4.4.1 Filtragem por conteúdo ............................................................................................ 65
4.1.1.4 Ordenação da lista de recomendações para o usuário ........................................... 69
4.4.2 Filtragem Colaborativa ............................................................................................ 72
4.5 Considerações Finais ............................................................................................. 76
5 EXPERIMENTOS E RESULTADOS ................................................................. 77
5.1 Preparação dos Experimentos .............................................................................. 77
5.2 Experimento 1 - Avaliação da Filtragem Por Conteúdo .................................... 80
5.3 Experimento 2 - Avaliação da Filtragem Colaborativa ...................................... 82
5.4 Discurssão ............................................................................................................... 84
6 CONCLUSÃO ........................................................................................................ 86
6.1 Principais Contribuições ....................................................................................... 86
6.2 Limitações ............................................................................................................... 86
6.3 Trabalhos Futuros ................................................................................................. 87
REFERÊNCIAS ..................................................................................................... 88
APÊNDICE A – Exemplos de Depoimentos ........................................................ 92
APÊNDICE B – Resultado do Módulo de Filtragem por Conteúdo de todos os
Usuários Voluntários ............................................................................................. 95
APÊNDICE C – Resultado do Módulo de Filtragem Colaborativa de todos os
Usuários Voluntários ........................................................................................... 105
16
1 INTRODUÇÃO
Os transtornos mentais compõem-se de um vasto número de sintomas e problemas, sendo
frequentemente acompanhados de por uma combinação de pensamentos anômalos, emoções,
e comportamento adversos que afetam as relações do paciente com outras pessoas. São
estabelecidos como transtornos mentais a depressão, ansiedade, transtorno bipolar, transtorno
compulsivo-obsessivo, transtorno de estresse pós-traumático, entre outros. Em alguns casos,
os indivíduos podem apresentar mais de um transtorno ao mesmo tempo (WHO, 2017).
A maioria dessas condições pode ser tratada com sucesso. Contudo, existe um grande
estigma por trás desses transtornos. Pouco se fala sobre o assunto, e as pessoas que sofrem
desses problemas sentem-se envergonhadas e fracassadas, quando na verdade todos estamos
suscetíveis a algumas dessas condições.
Por essas razões, a maioria das pessoas afetadas não chega até os consultórios e não
recebe a ajuda necessária. Assim, vemos que é importante conscientizar a população de que
quem tem transtorno mental é tão doente quanto quem tem câncer, e em ambos os casos os
pacientes não escolhem ter a doença, nem tampouco são fracas. A depressão, por exemplo,
atinge mais de 300 milhões no mundo, e entre os anos de 2005 a 2016, houve um aumento de
18% de casos em todo mundo (WHO, 2017). Nos casos mais graves, a depressão pode levar
ao suicídio. Ainda segundo a OMS, mais de 800.000 pessoas morrem por suicídio todos os
anos no mundo (WHO, 2017).
A fim de atenuar esses problemas, existem inúmeras pessoas e organizações
trabalhando em prol dessa causa, buscando eliminar os estigmas e rótulos que pessoas que
passam por essas condições receberam. O site Beyondblue1, por exemplo, surgiu dessa
necessidade, tendo por objetivo que todos na Austrália conheçam e falem sobre tema. No site
dessa organização, existem diversos depoimentos de pessoas que passaram ou passam por
essas condições, ou que têm parentes nessas condições. Esses depoimentos ajudam a
sociedade a entender como essas pessoas se sentem, e também buscam mostrar às pessoas
com esses transtornos que elas não passam por isso sozinhas, formando assim uma grande
rede de apoio.
1 https://www.beyondblue.org.au/
17
1.1 Motivação e Contexto
As pesquisas, o desenvolvimento e a utilização de sistemas de apoio a pessoas com
transtornos mentais vêm crescendo. Isso ocorre pelo barateamento do custo do computador e
de celulares com acesso à internet, sendo possível através desses recursos atingir um grande
número de pessoas.
Como dito, é possível encontrar atualmente na internet sites que falam sobre
transtornos mentais, e na maioria desses sites pessoas compartilham de suas experiências
pessoais com o transtorno vivido, como passam ou passaram por esse momento da vida, com
a intenção de motivar o leitor, para que ele saiba que não está sozinho nessa caminhada tão
difícil. Contudo, os textos dos depoimentos encontrados na internet são desestruturados
(textos livres em linguagem natural) ou, no melhor dos casos, são indexados por palavras
chave. Isso torna árdua e demorada a tarefa de encontrar um depoimento que se assemelhe à
condição vivida pelo leitor, visto que existem centenas de depoimentos espalhados na
internet.
Existem diversas técnicas para o gerenciamento de grandes volumes de dados, como,
por exemplo, as técnicas para gerenciar Bancos de Dados, as técnicas oriundas da área de
Recuperação de Informação e de Sistemas de Recomendação. Em particular, os Sistemas de
Recomendação têm como propósito geral fornecer automaticamente indicações
personalizadas de itens de acordo com o interesse particular de um usuário (ou grupo de
usuários) (WEITZEL, et al., 2010).
1.2 Objetivos do Trabalho
Esta pesquisa de mestrado teve como objetivo o desenvolvimento de um Sistema de
Recomendação de textos (depoimentos) para auxiliar pessoas que sofrem de transtornos
mentais. A seguir, detalhamos os objetivos geral e específicos.
1.2.1 Objetivo Geral
Desenvolver um Sistema de Recomendação, utilizando técnicas de filtragem de informação,
para recomendar aos usuários textos de autoajuda (chamados aqui de depoimentos) de pessoas
que já sofreram de depressão e aprenderam a lidar e superar os desafios do dia-a-dia. O intuito
é inspirar, motivar e mostrar a esses usuários que eles não são os únicos a enfrentarem esses
desafios. Nesta pesquisa, foi levado em consideração o perfil do usuário, bem como o seu
contexto.
18
1.2.2 Objetivos Específicos
Criar uma ampla base local de depoimentos disponíveis na internet, de pessoas ou de
parentes de pessoas que passaram por transtornos metais;
Identificar um conjunto de metadados para indexar os depoimentos na base;
Indexar os depoimentos pelos metadados identificados;
Desenvolver um sistema protótipo para realizar recomendação de depoimentos, com
base em duas técnicas de recomendação: filtragem por conteúdo e filtragem
colaborativa;
Realizar testes para avaliar o desempenho de cada módulo do sistema;
Analisar os resultados obtidos, e propor melhorias e trabalhos futuros.
1.3 Trabalho Realizado
Neste trabalho, desenvolvemos um Sistema de Recomendação de depoimentos para auxiliar
pessoas que sofrem com transtornos mentais. REC-PSI é um sistema de autoajuda,
desenvolvido para inspirar, motivar e mostrar as pessoas que passam por essas condições de
que não estão sozinhas, que outras pessoas enfrentam ou já enfrentaram esses mesmo
desafios.
Desenvolvemos um sistema protótipo capaz realizar recomendação de depoimentos,
que utiliza filtragem baseada em conteúdo (por casamento de padrão) e filtragem colaborativa
(algoritmo SLOPE ONE (LEMIRE, et al., 2005)). O sistema, desenvolvido em Java, foi
implementado com interface Web.
Criamos uma base de depoimentos com 300 textos extraídos de sites variados na
internet. Os depoimentos estão todos em inglês, pois não conseguimos localizar uma
quantidade aceitável de textos em Português. Identificamos metadados relevantes, e
indexamos a base a partir desse conjunto. Essa indexação será central para o módulo de
recomendação por filtragem baseada em conteúdo. O repositório foi desenvolvido com o
PostgreSQL2, um sistema de gerenciamento de banco de dados.
Para testar o sistema, tivemos a ajuda de 12 voluntários, que avaliaram depoimentos
com notas entre 5 e 1, onde 5 significa "gostou ou ajudou muito", e 1 representa "não gostou,
não ajudou". Foram obtidas 183 avaliações. Para avaliar o desempenho do sistema foi
utilizado o coeficiente de o erro RMSE (Root Mean Sqared Error)3, que mediu a correlação
entre as avaliações dadas pelos usuários e avaliação dada pelo sistema. As avaliações de
2 https://www.postgresql.org/
3 RMSE = https://en.wikipedia.org/wiki/Root-mean-square_deviation
19
desempenho foram realizadas nos dois módulos do sistema separadamente. Os resultados
obtidos foram satisfatórios.
A partir desses experimentos, foi possível identificar pontos fracos e fortes do
trabalho, e propor melhorias como trabalhos futuros.
1.4 Organização Da Dissertação
Este documento está estruturado em cinco capítulos, incluindo o capítulo atual.
O Capítulo 2 traz uma breve apresentação sobre Sistemas de Recomendação, com
definições gerais, suas principais estratégias e técnicas.
O Capítulo 3 descreve o problema das pessoas que sofrem de transtornos mentais, e
como eles podem conseguir auxílio em grupos na Internet e com o uso de sistemas
computacionais. Nesse capítulo veremos alguns trabalhos relacionados ao tema central
deste trabalho de mestrado.
No Capítulo 4, detalhamos o Sistema de Recomendação de textos (depoimentos) para
auxiliar pessoas com transtornos mentais que foi implementado como parte deste
trabalho de mestrado.
No Capítulo 5, apresentamos e discutimos a avaliação do sistema protótipo.
Por fim, o Capítulo 6 traz uma breve conclusão do trabalho realizado, com indicações
de trabalhos futuros que podem melhorar o desempenho do sistema desenvolvido e as
limitações do trabalho.
20
2 SISTEMAS DE RECOMEDAÇÃO
A Web pode ser considerada como uma grande biblioteca virtual, por conter uma quantidade
imensa de documentos de temáticas diversas. Uma de suas maiores vantagens é a
acessibilidade: o usuário pode consultar a informação disponível a qualquer hora e em
qualquer lugar, basta ter um dispositivo conectado à Internet.
Por sua vez, a diversidade e a quantidade de conteúdo disponível pode trazer uma
grande dificuldade ao usuário para localizar a informação desejada, necessária para suprir sua
demanda. Essa demanda pode ser bem variada: busca por objetos que o usuário precisa
adquirir (e.g., um telefone celular), filmes para assistir, livros didáticos, entre outros. Em
muitos casos, é necessário fazer escolhas dentre centenas de opções, sem informação
personalizada a respeito das alternativas.
Esse cenário motivou o surgimento de sistemas que dão apoio personalizado, de
acordo com interesses e preferências de cada usuário. Como forma de minimizar esse
problema e melhorar a experiência do usuário, surgem os Sistemas de Recomendação
(RESNICK, et al., 1997).
Neste capítulo será apresentada uma visão geral da área de Sistemas de
Recomendação. Iniciaremos com algumas definições de conceitos básicos, seguindo com
alguns detalhes sobre aquisição do perfil do usuário. A seguir, veremos estratégias e técnicas
de recomendação e sugestões de possíveis arquiteturas para esses tipos de sistemas.
2.1 Definições Gerais
Burke (2002) define um Sistema de Recomendação como qualquer sistema que produza
recomendações personalizadas como saída, e/ou ainda que possa ajudar a guiar o usuário de
maneira personalizada para objetos interessantes ou úteis em um ambiente com uma gama
variada de opções possíveis. Esses sistemas surgiram com foco na busca por informações
relevantes de acordo com características de cada usuário, bem como em determinados
requisitos relacionados aos itens que se quer encontrar (CAZELLA, 2009).
Um Sistema de Recomendação (SR) busca criar um ambiente personalizado para cada
usuário. O caso mais conhecido é o de comércio eletrônico (e-commerce), com base nas
informações coletadas pelo sistema de forma explícita e/ou implícita. A coleta explícita se dá,
por exemplo, através do preenchimento de um cadastro pelo próprio usuário, no qual ele
define seus gostos e preferências (seu perfil). Já a aquisição automática de perfil se dá através
21
da análise do comportamento do usuário quando usa o sistema - como produtos adquiridos
anteriormente, caminhos (links) percorridos pelo usuário dentro do site (logs), avaliação de
produtos, entre outros. Com o uso desses dados, os SR podem recomendar produtos,
informações, serviços ou pessoas (GARCIA, et al., 2013).
Consultando a literatura referente a esse tema, pode-se dizer que os autores na área
concordam que um Sistema de Recomendação é um tipo de sistema que fornece uma resposta
personalizada para cada usuário. Para obter essa resposta, é necessário realizar alguns passos
(REATEGUI, et al., 2005): coletar informações do usuário (implícita ou explicitamente);
definir uma estratégia de recomendação (como a saída será apresentada); e definir qual(is)
técnica(s) serão utilizadas na construção do sistema.
Esses passos serão apresentados no decorrer deste capítulo. Contudo, antes vamos
discutir detalhes sobre o perfil do usuário.
2.2 Criação e Manutenção do Perfil do Usuário
Para que seja possível recomendar corretamente produtos, serviços ou outros itens a um
usuário, é imprescindível ter-se conhecimento acerca das preferências e necessidades desse
usuário. Segundo (POO, et al., 2003), o Perfil do Usuário é a base de dados onde a
informação sobre o usuário, incluindo seus interesses e preferências, é armazenada. Essas
informações podem ser atualizadas dinamicamente, sempre que necessário.
Em um determinado contexto, perfis de usuários são “conceitos aproximados”, eles
identificam o interesse do usuário com relação a um assunto. Cada termo presente no Perfil de
Usuário é uma característica particular desse usuário (POO, et al., 2003).
Antes de executar a captura e o armazenamento das informações (pessoais e
comportamentais desse usuário), é indispensável identificar que tipo de informação é
relevante para a realização de uma recomendação personalizada. Essa escolha irá depender do
tipo de sistema a ser construído, de acordo com a estratégia de recomendação escolhida. Por
exemplo, o perfil dos SR baseados em Recomendação por Associação precisam guardar as
notas que cada usuário associou a cada item avaliado - por exemplo, se o sistema recomenda
filmes, é preciso ter uma lista de filmes que cada usuário já assitiu e a nota dada. Já na
estratégia de Associação por Conteúdo, o sistema precisa conhecer as preferências do usuário
para fazer na sua forma mais simples casamento de padrão entre o item e as preferncias do
usuário – neste caso, é necessário saber quais os gêneros e atores preferidos do usuário, por
22
exemplo. A seção 2.3 apresenta as principais estratégias utilizadas em sistemas de
recomendação.
A elaboração adequada do Perfil do Usuário é crucial para obter-se uma boa
recomendação personalizada. Nesse contexto, as fases de definição do perfil do usuário e
coleta de informações são indispensáveis (CAZELLA, 2009). É importante ressaltar que,
tanto a criação como a manutenção do Perfil do Usuário podem ser realizadas pelo próprio
usuário, ou por um processo automático que captura informações a partir das interações do
usuário com o sistema (CARREIRA, et al., 2004). As seções 2.2.1 e 2.2.2 são apresentados
de forma mais explicativa essa afirmação.
2.2.1 Identificação do Usuário
Sistemas de Recomendação estão centrados no princípio da personalização. Assim, antes de
qualquer coisa, é fundamental que o sistema seja capaz de identificar o usuário no momento
em que ele acessa o SR.
Atualmente, a identificação precisa dos usuários é bastante comum em vários
contextos. Por exemplo, ao abrir uma conta bancária, fazer comprar na Internet ou ainda
solicitar um serviço de TV a cabo, o cliente é solicitado a fornecer diversos dados pessoais
(nome, endereço etc). Em alguns casos, o cliente ainda preenche questionários
socioeconômicos, a fim de refinar os dados do seu perfil (REATEGUI, et al., 2005).
REATEGUI, et al. (2005) apresentam duas formas para essa identificação do usuário:
Identificação no Servidor: essa identificação é feita normalmente pelo
preenchimento de um cadastro onde o usuário fornece seus dados, criando um login
único e uma senha. Essas informações ficam armazenadas em um Banco de Dados no
servidor. Então, sempre que o usuário acessar o sistema, ele será identificado. A
vantagem desse mecanismo de identificação de login único é que o sistema pode
armazenar as preferências do usuário de forma precisa. A desvantagem seria que, a
depender o tipo de sistema, o usuário pode achar enfadonho ter que usar login e senha
toda vez que desejar acessar o sistema.
Identificação no cliente: esse mecanismo identifica o usuário através de arquivos de
textos (cookies), que ficam armazenados no computador do usuário (cliente). Este
método assume que cada computador é utilizado por apenas uma pessoa. Logo, ao
identificar a máquina, o Website está na realidade identificando seu usuário. A
vantagem deste mecanismo de identificação é que ele é mais simples do que a opção
23
anterior, pois não requer senhas. Contudo, pode afetar a precisão das recomendações
se o computador identificado for utilizado por mais de uma pessoa.
2.2.2 Coleta de Informação
Após a identificação do usuário, pode-se iniciar a coleta de dados do usuário tanto para criar o
Perfil do Usuário (no primeiro uso do sistema), como para atualizar as informações já
adquiridas. Essa coleta pode ser realizada de duas formas: implícita ou explicita (POO, et al.,
2003).
Coleta de explícita: nesse tipo de coleta, o usuário informa espontaneamente seus
interesses (por exemplo, preenchendo um formulário), para que o sistema possa
recomendar-lhe itens relevantes com base nessas informações. A vantagem desse tipo
coleta é que as informações são fornecidas diretamente pelo próprio usuário,
diminuindo ou eliminando erros de preenchimento do formulário. A desvantagem é
que o usuário pode não gostar de ter que fornecer essas informações, por considerar
perda de tempo ou achar o sistema intrusivo.
Coleta implícita: as informações são coletadas sem a intervenção do usuário, através
da interação do usuário com o sistema. Por exemplo, quando o usuário visita um site
na Web ou adquire um item, o sistema armazena essa informação e busca por itens
similares àqueles em que o usuário demonstrou interesse. A vantagem desta opção é
que o usuário não considera o sistema intrusivo, já que ele não solicita explicitamente
que o usuário marque suas preferências. A desvantagem é que o usuário pode visitar
um site ou consumir algum item no qual não tem interesse próprio (um presente, por
exemplo), mas o sistema entende que aquele item é relevante para esse usuário.
2.3 Estratégias de Recomendação
Os Sistemas de Recomendação partem da premissa de que são capazes de indicar itens
relevantes ao usuário, e assim atender suas necessidades. Além disso, SR com finalidade
lucrativa buscam fidelizar o cliente, consequentemente aumentando sua lucratividade
(REATEGUI, et al., 2005).
Diferentes estratégias podem ser utilizadas para personalizar itens/serviços para um
usuário, cada uma exigindo um grau de complexidade distinto no tratamento das informações
coletadas. As estratégias mais utilizadas, segundo REATEGUI, et al. (2005), são:
24
Lista de Recomendação
Avaliação de Usuários
Recomendação Pessoal
Recomendação por Associação
Associação por Conteúdo
As seções a seguir trazem uma breve descrição de cada uma dessas estratégias.
2.3.1 Lista de Recomendação
Trata-se de uma estratégia simples e fácil de ser implementada. Tem como objetivo manter
listas genéricas de itens dispostos por tipos de interesse. Não há necessidade de análise de
dados do usuário, só a análise dos tipos de itens mais populares, e ordenação destes itens em
grupos: "Mais vendidos", "Ofertas do Dia", "Produtos em Destaques", entre outros.
A Figura 1 apresenta um exemplo de lista de recomendações das Lojas Americanas,
do grupo "Os mais vendidos".
Figura 1 - Exemplo de Lista de Recomendação - "Os Mais Vendidos"
Fonte: Site das Lojas Americanas Brasil
4
A criação desse tipo de lista pode ter a finalidade apenas de marketing ou
disseminação de informação, por exemplo. A grande desvantagem é que as recomendações
não são direcionadas a um usuário particular, mas sim a todos os usuários sem distinção.
2.3.2 Avaliação de Usuários
Essa estratégia consiste em recomendar itens de acordo com as avaliações feitas pelos
usuários aos itens. Quando um usuário consome/adquire um item, ele o avalia com uma nota
e/ou um comentário.
4 Disponível em: < http://www.americanas.com.br/> acessado em 02/12/2016
25
Ao acessar um site de produtos, é bastante comum encontrarmos opiniões de usuários
em forma de ícones e/ou em texto (comentários), como ilustrado nas Figuras Figura 2 e
Figura 3 respectivamente.
Figura 2 - Exemplo de Avaliação do Usuário com Estrelas
Fonte: Site Amazon Brasil
5
Figura 3 - Exemplo Avaliações do Usuário com Estrelas e Comentários
Fonte: Site Submarino
6
As avaliações dos usuários são extremamente úteis para assegurar a novos
consumidores a qualidade do item em questão. No entanto, para que o sistema funcione
corretamente, faz-se necessário que os usuários emitam opiniões sinceras a respeito do item
avaliado.
Esta estratégia também é fácil de ser implementada, visto que basta armazenar
e disponibilizar as avaliações dos itens quando o usuário acessa o site.
5 Disponível em:
< www.amazon.com.br/Orfanato-Srta-Peregrine-Crian%C3%A7as-
Peculiares/dp/854410455X/ref=sr_1_2?s=books&ie=UTF8&qid=1480680957&sr=1-2> acessado em
02/12/2016 6 Disponível em: < http://www.submarino.com.br/produto/128365990/smartphone-moto-g-4-play-dual-chip-
android-6.0-tela-5-16gb-camera-8mp-preto?condition=NEW> acesso 02/12/2016
26
2.3.3 Recomendação Pessoal
Neste tipo de recomendação, são fornecidas sugestões em uma área exclusiva do usuário.
Dois tipos de recomendação são possíveis nesse ambiente: a partir de preferências implícitas
(por exemplo, quando uma loja de e-commerce recomenda um produto com base no que o
usuário comprou anteriormente), ou de preferências explícitas (por exemplo, quando o
sistema recomenda novos contatos/links em uma rede social baseando-se nas pessoas
conectadas ao usuário).
A Figura 4 a seguir apresenta um exemplo de recomendação de vídeos feita pelo
Youtube7. As informações são coletadas implicitamente, isto é, a partir da navegação do
usuário no sistema.
Figura 4 - Exemplo de Recomendação Pessoal
Fonte: Site do Youtube
7
No exemplo apresentado acima, o usuário acessou alguns vídeos no sistema, e a partir de
sua navegação, o sistema criou uma lista recomendações pessoais para ele. O usuário em
nenhum momento teve que explicitar suas preferências, mas o sistema inferiu essa lista
baseado na navegação realizada.
2.3.4 Recomendação por Associação
Essa estratégia é baseada em técnicas capazes de identificar associações entre itens avaliados
por usuários, analisando as avaliações armazenadas por cada usuário para os itens
consumidos. A análise desses dados permite criar grupos de usuários, fornecendo saídas do
tipo: os usuários que se interessam pelo item X também se interessam por Y. Essa estratégia
é bastante adotada em e-commerce.
7 Disponível em:< https://www.youtube.com/watch?v=UT5Ro82AjS8> acessado em 02/12/2016
27
A Figura 5 apresenta uma lista de recomendação por associação. O sistema faz a
associação de produtos similares que possam interessar ao usuário a partir do interesse
demonstrado por ele ao selecionar essa cafeteira.
Figura 5 - Exemplo de Recomendação por Associação
Fonte: Site das Lojas Americanas
8
Este tipo de recomendação, chamado aqui de recomendação por associação, é a forma
mais complexa de recomendação. Ela exige uma análise mais profunda dos hábitos do
usuário, a fim de identificar padrões, e então recomendar itens com base nestes padrões.
2.3.5 Associação por Conteúdo
Esse tipo de recomendação é baseado no conteúdo do item (por exemplo, o nome do autor do
livro, um compositor, um editor, etc). Para realizar esse tipo de recomendação, são utilizadas
técnicas capazes de identificar associações num escopo mais restrito. Por exemplo: João
assistiu ao filme Y e Y é parecido com Z, então João pode ter interesse em Z. A Figura 6
abaixo apresenta este tipo de recomendação em uma plataforma de streaming de vídeos.
Figura 6 - Exemplo Recomendação por Associação por Conteúdo
8 Disponível em: < http://www.americanas.com.br/produto/119465323/cafeteira-expresso-arno-nescafe-dolce-
gusto-mini-me-15-bar-automatica-preto?DCSext.recom=RR_home_page.rr2-
MoversAndShakersSiteWide&condition=NEW&nm_origem=rec_home_page.rr2-
MoversAndShakersSiteWide&nm_ranking_rec=5> acessado 02/12/2016
28
Fonte: Site Netflix
9
No exemplo acima, o sistema recomenda diversos filmes para o usuário com base nos
filmes que ele já assistiu. Diferentes técnicas podem ser utilizadas para se obter este tipo de
recomendação, técnicas essas que serão apresentadas na seção 2.4.
2.4 Técnicas de Recomendação
CAZELLA (2009) (BELKIN, et al., 1992)explica que, em um SR típico, as pessoas fornecem
avaliações como entradas que o sistema agrega e direciona para os indivíduos considerados
potenciais interessados nessas recomendações. Um dos grandes desafios deste tipo de sistema
é realizar a combinação adequada entre as expectativas do usuário e os produtos, serviços e
pessoas a serem recomendados a cada usuário. Em outras palavras, identificar e definir esse
relacionamento de interesses é o grande problema a resolver.
Existem diversas técnicas para a identificação de padrões de comportamento dos
usuários e a utilização desses padrões para personalizar o relacionamento do usuário com os
itens a serem recomendados. As seções a seguir discutem as principais técnicas conhecidas,
agrupadas em duas grandes áreas de pesquisa: Filtragem de Informação 2.4.1 e Descoberta de
Conhecimento 2.4.2.
2.4.1 Filtragem de Informações
Belkin et al. (1992), explica que Filtragem de Informação é um nome usado para descrever
uma variedade de processos, que consistem em analisar um fluxo de documentos que chega
ao sistema, comparar esses documentos aos assuntos de interesse do usuário, e selecionar os
9 Disponível em: <https://www.netflix.com/> acessado 02/12/2016
29
documentos relevantes. O objetivo é passar para o usuário apenas as informações de seu
interesse.
Assim definida, a Filtragem de Informação guia a construção de sistemas
personalizados, baseados em perfil do usuário. Como visto, esse perfil armazena dados sobre
os assuntos de interesse do usuário, sendo um arquivo estruturado. É importante ressaltar que
esse arquivo pode também guardar os interesses comuns a um grupo coeso de usuários,
quando o sistema atende a grupos de usuários.
Segundo Belkin et al. (1992), para realizar o processo de análise, comparação e
seleção de conteúdos relevantes ao usuário em questão, é necessário que esses dados tenham
alguma estrutura que possa ser identificada (dados estruturados, como tabelas; ou
semiestruturados, como documentos com tags indicando alguma regularidade- e.g,
classificados de jornais online). Além disso, os campos dos registros devem simples, com
conteúdo bem definido. Isto é, para se obter sucesso na filtragem de informação, é preciso
definir com clareza quais são os dados relevantes, para se chegar a um resultado satisfatório.
O processo de Filtragem de Informação pode ser guiado por diferentes abordagens.
Neste trabalho, serão apresentadas a seguir as três abordagens mais difundidas ( (RESNICK,
et al., 1997), (BASU, et al., 1998), (HERLOCKER, 2000)): Filtragem Baseada em Conteúdo,
Filtragem Colaborativa e Filtragem Híbrida.
2.4.1.1 Filtragem baseada em conteúdo
Segundo Herlocker (2000), a filtragem baseada em conteúdo tem como objetivo encontrar
itens similares aos itens nos quais o usuário demonstrou interesse no passado, pois, segundo o
autor, usuários tendem a manter o seu foco de interesse. Entretanto, Cazella (2009) aponta que
pode haver dificuldade em estabelecer similaridade entre alguns tipos de itens, como roupas e
brinquedos. Nesses casos, seria necessário identificar atributos nos itens a serem comparados
(como cor e material das roupas, idade indicada para o brinquedo, etc).
Contudo, a comparação entre descrições textuais pode tornar o processo mais fácil.
Isso acontece porque documentos que compartilham termos em comum podem ser
considerados similares. Posto isto, Salton et al. (1983) afirmam que a filtragem baseada em
conteúdo é preferencialmente indicada para recomendação de textos, cujo conteúdo é
comumente descrito por palavras-chave.
O processo básico de um SR que usa a técnica de filtragem baseada em conteúdo é
comparar os atributos do perfil de usuário (preferências e interesses) com os atributos de um
30
objeto (item), com o objetivo de recomendar ao usuário novos itens de seu interesse (LOPS,
2011), ou ainda os novos itens podem ser comparados a outros itens que foram avaliados
positivamente e os mais similares serão recomendados (ADAMAVICIUS, et al., 2005). A
comparação pode ser feitas de usuário para item, item para item e de usuário para usuário o
que determina essa relação é o objetivo de cada sistema.
Esse tipo de técnica é simples de implementar e tem bons resultados para dados
textuais. Outra vantagem é que sistemas que implementam essa técnica não necessitam de
muitas informações dos usuários para sugerir itens.
Contudo, segundo Adomavícius et al. (2005), a abordagem baseada em conteúdo tem
algumas limitações:
Análise de conteúdo é limitada – o conteúdo de dados pouco estruturados é difícil de
ser analisado. A limitação está na extração do conteúdo, pois a análise do conteúdo do objeto
é feita mediante um conjunto de características, e se dois objetos são representados por um
mesmo conjunto de características, eles são indistinguíveis. Por exemplo, documentos
textuais são geralmente representados por palavras-chave, logo, um sistema baseado em
conteúdo não consegue distinguir entre um artigo bem escrito de um artigo mal escrito, caso
esses tenham o conjunto de palavras-chave semelhantes. Isso acontesse porque não é
analisado a relevancia do documento e sim se ele contém ou não as palavras-chaves. O que
para esses casos faz-se necessário é uma outra forma de vefiricar a qualidade do conteúdo,
como por exemplo a avaliação do documento com uma nota.
Super especialização – essa limitação ocorre quando o SR só recomenda itens
similares a itens avaliados positivamente. Desta forma, os itens que não se assemelham com o
perfil do usuário não serão recomendados. O sistema deve buscar também recomendar itens
novos para o usuário, para testar suas preferencias mas com cuidado para não tornar o sistema
desenteressante.
2.4.1.2 Filtragem colaborativa
A técnica de filtragem colaborativa consiste na recomendação de itens para um usuário a
partir das preferências que ele tem em comum com outros usuários. A ideia é simples: se um
usuário gostou dos itens A e B, e um outro usuário gostou de A, então este usuário pode
gostar também de B. Logo, um SR baseado em filtragem colaborativa busca identificar
usuários similares (vizinhos), e então recomenda para o usuário alvo itens que a sua
vizinhança avaliou como relevantes e que ele ainda não avaliou.
31
Queiroz (2003), em sua Dissertação, generalizou o processo de filtragem colaborativa
em 3 etapas:
Representação dos dados de entrada – nessa etapa ocorre a coleta de informação do
usuário, quando ele expressa suas preferências a itens disponíveis no sistema. Como já
foi discutido anteriormente (seção 2.2), essas preferências podem ser coletada de
forma implícita ou explicita.
Formação da Vizinhança – o sistema busca por perfis similares ao perfil do usuário
alvo, comparando o perfil do usuário alvo aos outros perfis existentes na base.
Existem vários métodos para calcular a similaridade entre perfis. Depois de concluídos
os cálculos, é criado um conjunto com os perfis similares ao do usuário alvo, que
chamamos de “vizinhança”.
Recomendação – por fim, com base nas avaliações feitas pelos seus vizinhos a itens
que não foram avaliados pelo usuário alvo, o sistema gera a recomendação. Isto é, o
sistema indica a esse usuário os itens melhor avaliados pelos seus vizinhos. Existem
diversos algoritmos que fazem essa predição, gerando as recomendações.
SR baseados em filtragem colaborativa, em sua forma mais simplificada, oferecem
itens possivelmente relevantes ao usuário alvo, uma vez encontrada sua vizinhança. A Tabela
1 ilustra o processo que ocorre nesse tipo de sistema. As linhas são os usuários e as colunas
representam os itens, e cada célula da tabela representa o consumo do item por usuário.
Tabela 1 - Recomendação Baseada em Filtragem Colaborativa
Item1 Item2 Item3 Item4
João X X X
Maria X X
Ana X X X
Fonte: Autoria Própria
Suponha que o usuário alvo é Maria, e seus vizinhos são João e Ana. No exemplo
acima, os três usuários apresentam consumos parecidos. Então, após essa identificação da
vizinhança, é possível fazer recomendações ao usuário Maria dos itens 2, 4 com base no gosto
dos seus vizinhos João e Ana.
Essa técnica possui a vantagem de fazer recomendações inesperadas aos usuários (ao
contrário da filtragem baseada em conteúdo). O sistema pode apresentar itens que não foram
pesquisados de forma ativa pelo usuário alvo. Outra vantagem é que, com essa técnica, é
possível formar comunidades de usuários com base na identificação de seus interesses
(REATEGUI, et al., 2005).
32
Contudo Reategui et al. (2005) alertam que sistemas colaborativos podem apresentar
três possíveis problemas no que se refere à coleta de informação. São eles:
Problema do primeiro avaliador – esse problema acontece sempre que um novo item é
inserido na base de dados, pois ele ainda não possui avaliações, não podendo,
portanto, ser recomendado. O mesmo ocorre com novos usuários, pois eles ainda não
avaliaram nenhum item, sendo um problema recomendar itens a esse novo usuário.
Problema de pontuações esparsas – esse caso ocorre, por exemplo, quando o número
de usuários é pequeno em relação à quantidade de itens avaliados na base. Os dados
podem se tornar esparsos, prejudicando assim a qualidade das recomendações.
Similaridade – usuários que não se encaixam nos padrões da base, que possuem gostos
incomuns, terão dificuldades de encontrar uma vizinhança com gostos similares,
levando a recomendações fracas.
A seguir serão apresentados dois algoritmos de filtragem colaborativa o Slope One e
uma variação dele chamado de Weighted Slope One.
Algoritmo Slope One
O Slope One foi apresentado pela primeira vez em (2005), no artigo Slope One Predictors for
Online Rating-Based Collaborative Filtering que tem como objetivo mostrar que ele pode ser
tão ou até mais eficiente que outros algoritmos de filtragem colaborativa baseados em
mémoria( Pearson, Adjusted Cosine Item-Based, Bias From Mean por exemplo). A grande
vantagem desse algoritmo é que ele é fácil de implementar, tem um baixo custo
computacional quando comparado aos algoritmos baseados em memória e é eficiente no
tempo de consulta e gera bons resultado para usuários com poucas avaliações (LEMIRE, et
al., 2005).
Slope One é um algoritmo que pode reduzir a dispersão das avaliações, e melhorar a
precisão da recomendação. Contudo, com o crescimento de usuários e itens, o seu tempo de
execução aumenta rapidamente (GONG, et al., 2016).
O algoritmo determina quanto um item pode ser preferido em relação a outro. Ele
trabalha a partir do princípio intuitivo de um "diferencial de popularidade" entre os itens para
os usuários. Considerando os itens em pares, o algoritmo tenta determinar quão melhor um
item pode ser comparado a outro. Uma maneira de medir esse diferencial é simplesmente
calcular a diferença das avaliações dada por dois usuários ao mesmo item. Por sua vez, essa
diferença pode ser usada para prever uma avaliação de um usuário ativo para itens que ele
33
ainda não avaliou, desde que esse usuário já tenha avaliado outros itens antes (LEMIRE, et
al., 2005).
O Slope One é formalizado da seguinte forma
Equação 1 - Slope One
f (x) = x + b
onde b é o valor do calculo das diferenças entre as avliações de dois usuários ao mesmo item,
e x é a variável que representa ao valor da avaliaçãos dada pelo usuário ao item que pretende-
se predizer. Logo, b é uma constante e x é a variável que representa os valores das avaliações.
Daí vem o nome do algoritmo, que traduzido ao pé da letra significa “inclinação um".
O algoritmo é aplicado sobre uma matriz de pontuações de usuário versus itens, onde
cada linha corresponde às avaliações do usuário i aos n itens. (Tabela 2). Se um usuário i não
tiver avaliado a um item j, a avaliação Pi, j fica igual a 0.
Tabela 2 - Exemplo de Matriz de Usuários x Itens
Usuário Item A Item B Item C
João 1 1,5 3
Maria 2 0 3
José 5 4 0
Fonte: Autoria Própria
Considere por exemplo os usuários João e Maria e dois itens A e B (Tabela 3). O item
A foi avaliado por João com a nota 1 e por Maria com 2. Já o item B foi avaliado por João
com1,5, contudo Maria ainda não avaliou este último.
Tabela 3 - Exemplo de previsão de avaliação de item.
Item A Item B
João 1 1,5
Maria 2 ?
Fonte:Autoria Própria
Para prever a possível avaliação que Maria atribuiria ao item B, o Slope One utiliza a
diferença das avaliações de João entre o item B e o item A (1,5 -1 = 0,5), que nesse exemplo é
de 0,5. Ver cálculos a seguir.
Essa diferença é usada para prever qual seria a possível avaliação de Maria ao item B,
usando a fórmula 2.1.
Substituição dos valores na Equação 1 - Slope One:
𝑓(𝐴𝑣𝑎çã𝑜 𝑑𝑒 𝑀𝑎𝑟𝑖𝑎 𝑝/ 𝑖𝑡𝑒𝑚𝐴)
= 𝐴𝑣𝑎𝑙𝑖𝑎çã𝑜 𝑑𝑒 𝑀𝑎𝑟𝑖𝑎 𝑖𝑡𝑒𝑚𝐴 + (𝐴𝑣𝑎𝑙𝑖𝑎çã𝑜𝑑𝑒 𝐽𝑜ã𝑜 𝑖𝑡𝑒𝑚𝐵
− 𝐴𝑣𝑎𝑙𝑖𝑎çã𝑜𝑑𝑒 𝐽𝑜ã𝑜 𝑖𝑡𝑒𝑚𝐴)
34
Cálculo de Predição
𝑓(2) = 2 + (1,5 − 1) = 2,5
Assim, para esse exemplo, a predição de avaliação seria de 2,5.
Algoritmo Weighted Slope One
Lemire e Maclachlan (2005) apresentam uma extensão do algoritmo Slope One, chamado de
Wighted Slope One, em que as previsões são ponderadas com base no número de usuários
que avaliaram um determinado item. Logo, esse algoritmo tem por objetivo levar em conta a
quantidade de avaliações feitas pelos usuários, e assim realizar uma predição mais realista
(LEMIRE, et al., 2005).
Suponha que se deseja predizer a pontuação do item i dada pelo usuário A. Sabendo-se
que o usuário A avaliou os itens j e k, se 2000 usuários avaliaram o par de itens i e j, e apenas
10 usuários avaliaram os itens i e k, então a pontuação do item j é melhor para realizar a
predição de i do que o item k. Para isto, utiliza-se a Equação 2 - Weighted Slope One a seguir.
Equação 2 - Weighted Slope One
𝑝𝑤𝑆1(𝜇)𝑗 =∑ 𝑖∈𝑆(𝜇)−{𝑗}(𝑑𝑒𝑣𝑗,𝑖+𝜇𝑖)𝐶𝑗,𝑖
∑ 𝑖∈𝑆(𝜇)−{𝑗}𝐶𝑗,𝑖
O Weighted Slope One pode ser divido em duas passos, são eles:
Cálculo das diferenças de pontuações dos usuários - Nesse passo, o algoritmo inicia
iterando-se sobre todos os usuários e itens presentes na matriz. Para cada item i para o
qual se deseja realizar a predição e um item j já avaliado, é calculada a diferença das
pontuações desses itens para todos os outros usuários da base. Em seguida, são
somados os resultados das diferenças dos itens i e j. Para finalizar, o algoritmo divide
o resultado do somatório pela quantidade de usuários que avaliaram os itens i e j. Esse
passo pode realizar todos os cálculos das diferenças de pontuações dos itens de forma
off-line, com isso diminuindo a computação online.
Recomendação - Para realizar a recomendação do item i, é somado o resultado da
divisão dos itens i e j mais a pontuação dada para j. Em seguida, o resultado do
somatório é multiplicado pela quantidade de usuários que avaliaram os itens i e j. Para
finalizar o cálculo da recomendação, é somado cada resultado desta última
multiplicação e o resultado final é dividido pela quantidade de usuários que avaliaram
os itens i e j.
Como exemplo, para saber a possível avaliação de Maria para o item B, a Matriz
Usuário x Item é apresentada na Tabela 4 - Matriz Usuário x Item.
35
Tabela 4 - Matriz Usuário x Item
Usuário Item A Item B Item C
João 1 1,5 3
Maria 2 0 3
José 5 4 0
Fonte: Autoria Própria
Para predizer a possível avaliação de Maria ao Item B, é necessário antes calcular a
diferença das avaliações dos usuários para o item B e o item A, bem como para o item B e o
item C. Repare que o cálculo das diferenças é aplicado a todos os usuários que avaliaram os
mesmo itens que Maria avaliou, e também avaliaram o item B.
Na Matriz Usuário x Item (Tabela 4), João e José avaliaram o item B e o A, e somente
João avaliou o item B e o C. Após realizado o cálculo das diferenças entre o item B e o A, é
somado o resultado de João e José. O valor resultante da soma é então dividido pela
quantidade de usuários que avaliaram o item B e A. Como neste exemplo somente João
avaliou os itens B e C, não se fazem necessários outros cálculos, como soma e divisão. Em
seguida para melhor ilustrar o exemplo, é a apresentada a Tabela 5.
Tabela 5 - Weighted Slope One- Cálculo das diferenças de avaliações dos usuários
Usuários Diferença
(B->A)
Soma das Diferenças
(B->A)
Nº Usuários
(B -> A)
Divisão
(B->A)
João (1,5 – 1) = 0,5 (0,5 +(-1)) = -0,5 2
(-0,5 / 2) =
-0,25 José (4 – 5 ) = -1
Usuários Diferença
(B->A)
Soma das Diferenças
(B->C)
Divisão
(B->C)
João (1,5 – 3) =
-1,5
-1,5 1 (-1,5 / 1) =
-1,5
Fonte: Autoria Própria
Depois de realizar o cálculo das diferenças das avaliações dos usuários, é possível
fazer a predição da avaliação de Maria para o item B. Para isso, é realizada a soma do
resultado da divisão (Coluna Divisão (B->A) da Tabela 5) e a avaliação de Maria para o item
A (Tabela 6), e então é feita a multiplicação dessa soma pela quantidade de usuários. A
seguir, o mesmo cálculo deve ser realizado para o item C. Por fim somam-se os resultados de
todas as multiplicações, o resultado é dividido pela quantidade de usuários, e então é obtida a
predição de Maria para o item B. Veja essa explicação ilustrada na Tabela 6.
36
Tabela 6 - Weighted Slope One - Cálculo da recomendação
Resultado Divisão (B -> A) + pontuação de A Somatório Anterior * QTD Usuários
(-0,25 + 2) = 1,75 (1,75 * 2) = 3,5
Result. Divisão (B -> C) + pontuação de C Somatório Anterior * QTD Usuários
(-1,5 + 3) = 1,5 (1,5 * 1) = 1,5
Somatório do resultado de todas multiplicações dividido pela quantidade de usuários
((3,5 + 1,5) / (2 + 1)) = 1,66
Fonte: Autoria Própria
Assim, o resultado da recomendação de Maria para o item B é 1,66 de acordo com o
algoritmo Weighted Slope One.
É importante ressaltar que nem sempre as avaliações dos usuários para os itens são
feitas em forma de notas. Os usuários podem fornecer apenas dados binários (o item foi
comprado ou não, gosta ou não gosta). No caso de não haver notas, o algoritmo de predição
Slope One e Weighted Slope One não podem ser aplicados.
2.4.1.3 Filtragem híbrida
A técnica de filtragem híbrida surgiu da necessidade de amenizar as inconsistências das duas
abordagens apresentadas anteriormente (Filtragem Baseada em Conteúdo e Colaborativa). O
sistema híbrido combina essas duas abordagens, unem o que há de melhor nessas técnicas,
visando enfatizar as vantagens de ambas e minimizar os seus problemas. As principais
vantagens que essas duas técnicas juntas oferecem estão ilustradas na Tabela 7 (REATEGUI,
et al., 2005).
Tabela 7 - Filtragem Híbrida
Filtragem Baseada em
Conteúdo
Filtragem Colaborativa
Bons resultados para
usuários incomuns
Descoberta de novos
relacionamentos entre
usuários
Precisão independente do
número de usuários
Recomendação de itens
diretamente relacionados
ao histórico
Fonte: (CAZELLA, 2009)
Observando a Tabela 7, pode-se concluir que uma técnica complementa a outra. Note
que a filtragem por conteúdo, por exemplo, na maioria das vezes limita-se a recomendar itens
que possuem conteúdo compatível com o perfil do usuário alvo, não o surpreendendo. Por
outro lado, a filtragem colaborativa, por encontrar relacionamentos entre usuários, pode
surpreender o usuário alvo com itens que não possuem conteúdo compatível com seu perfil,
37
mas que podem ser de seu interesse. Em contra partida, a filtragem colaborativa não consegue
recomendar itens a um usuário que nunca avaliou nada, ou ainda não recomenda novos itens,
por não possuírem avaliações.
2.4.2 Descoberta de Conhecimento
A descoberta de conhecimento consiste em utilizar técnicas de mineração de dados para
reconhecimento de padrões nos dados, e assim descobrir relações entre itens e usuários, por
exemplo. Destacam-se aqui duas abordagens:
Classificação – utiliza algoritmos capazes de classificar objetos em classes pré-
definidas, conhecidas a priori (BAEZA-YATES, et al., 2013). Os algoritmos podem
ser construídos com base nas técnicas de Aprendizagem de máquina, ou podem ser
baseados em regras explícitas manualmente construídas (Engenharia do
conhecimento). Os objetos a serem recomendados serão classificados de acordo com o
perfil do usuário.
Agrupamento – utiliza técnicas computacionais cujo propósito é separar objetos em
grupos, com base em aprendizado não supervisionado, que consiste em analisar os
dados fornecidos e determinar como eles podem ser separados em grupos (ou
clusters). Trata-se de um processo de partição de uma população heterogênea em
vários subgrupos mais homogêneos. No agrupamento, as classes não são conhecidas a
priori, os elementos são agrupados de acordo com as semelhanças entre si (LIDEN,
2009). Depois que os grupos estiverem formados, é necessário comparar cada grupo
com o perfil do usuário alvo, para então escolher que itens serão recomendados a esse
usuário.
2.5 Arquiteturas de Sistemas de Recomendação
Segundo Reategui e Cazella (REATEGUI, et al., 2005), um SR deve funcionar como um
“servidor” capaz de recuperar itens de interesse do usuário, e recomendar esses itens usando
alguma técnica da área. Nesse contexto, esta seção apresenta duas arquiteturas distintas para
sistemas de recomendação (Figura 7 e Figura 8), a depender da técnica utilizada em sua
implementação. Essas arquiteturas foram apresentadas juntas para possibilitar uma
comparação entre elas.
38
A Figura 7 apresenta a arquitetura de um sistema de recomendação baseado em
técnicas de Filtragem de Informação. É importante ressaltar que não existe nesse modelo
componente de mineração de dados, uma vez que o sistema trabalha por meio da análise
direta dos dados dos usuários.
Figura 7 Arquitetura baseada em Técnica de Filtragem de Informação
Fonte: Autoria Própria
Na arquitetura apresentada na Figura 8 existe um módulo de mineração de dados
responsável por encontrar padrões nos dados disponíveis. Esse módulo irá reconhecer
relações que, na maioria das vezes, não são óbvios para o ser humano. Então, logo após a
coleta de informação, a técnica de mineração utilizada no sistema irá reconhecer padrões nos
dados, gerar uma base de conhecimento e assim o sistema poderá recomendar itens ao usuário
alvo.
39
Figura 8 Arquitetura baseada em Mineração de Dados
Fonte: Autoria Própria
2.6 Considerações Finais
Neste capítulo, foi apresentado o conceito de Sistema de Recomendação, bem como a
formação do perfil do usuário, as abordagens de coleta de informação, estratégias de
recomendação, técnicas de recomendação (filtragem de informação ou descoberta de
conhecimento) e as arquiteturas correspondentes a cada técnica. Na seção de técnicas de
recomendação são apresentados dois algoritmos de filtragem colaborativa o slope one e o
Weighted Slope One.
Ao longo do capítulo, foi enfatizada a importância do perfil do usuário para geração da
recomendação. Vimos que é necessária muita atenção na construção do perfil do usuário, que
dados ou informações são essenciais para formação de perfil e ainda como serão coletas as
informações do usuário, para então representar esse perfil. Portanto, para uma boa
recomendação, é necessário conhecer o usuário e suas preferências, pois o usuário é o ator
principal do sistema.
40
3 SISTEMAS COMPUTACIONAIS PARA AUXILIAR PESSOAS COM
TRANSTORNOS MENTAIS
Este capítulo tem como foco sistemas computacionais para auxiliar pessoas com transtornos
metais. Na seção 3.1, são descritos os transtornos metais em destaque nesta pesquisa, e a
seção 0 apresenta alguns sites de apoio e 0 redes sociais de saúde. As seções 0 e 3.4 expõem
trabalhos acadêmicos de sistema na área da saúde, e por fim a seção 3.5 apresenta uma breve
conclusão do capítulo.
3.1 Transtornos Mentais
Nesta seção, são apresentados alguns conceitos e definições sobre transtornos mentais mais
comuns: Depressão (3.1.1), Ansiedade (0), Transtorno Bipolar (0) e outros transtornos que
aparecem na base de dados coletada (0). Veremos depois que há inúmeros depoimentos que
falam sobre mais de um transtorno metal. Para ler e se informar sobre demais transtornos
mentais, indicamos o Manual Diagnóstico e Estatístico de Transtornos Mentais (DSM-510
).
3.1.1 Depressão
A depressão é um transtorno mental comum, caracterizado por tristeza, perda de interesse ou
prazer, sentimentos de culpa ou baixa autoestima, distúrbios do sono ou do apetite, sensação
de cansaço e falta de concentração (WHO, 2017). Estima-se que existem 350 milhões de
pessoas afetadas. Pessoas são diagnosticadas como depressivas quando os anseios de passar
pelos desafios do cotidiano são de longa duração e com intensidade moderada ou grave. No
pior caso, esse transtorno pode levar ao suicídio. Ainda segundo a OMS, mais de 800.000
pessoas morrem por suicídio todos os anos (WHO, 2017).
A OMS afirma que ainda não são conhecidos tratamentos eficazes para a depressão, e
que menos da metade das pessoas afetadas no mundo (menos de 10% em diversos países)
passa por tratamentos. Existem diversos desafios que impedem o cuidado efetivo com esses
pacientes, dentre eles, destacam-se: falta de recursos financeiros, falta de profissionais de
saúde treinados, e estigma social associado aos transtornos mentais. Outro obstáculo que
atrapalha os tratamentos é a avaliação imprecisa da doença (WHO, 2017).
10
https://psicovalero.files.wordpress.com/2014/06/dsm-v-manual-diagnc3b3stico-y-estadc3adstico-de-los-
trastornos-mentales.pdf
41
3.1.2 Ansiedade
A ansiedade caracteriza-se por um sentimento de vazio, de medo, preocupação, tensão ou
incômodo da antecipação de perigo, medo do desconhecido ou um medo inexplicável. Esses
são sentimentos comuns aos seres humanos. No entanto, caracterizam uma doença quando são
constantes ou permanecem por um longo período, e também quando impedem a pessoa de
realizar tarefas do cotidiano, acarretando em prejuízos. Em alguns casos, os sintomas são
físicos, como arritmia cardíaca e tremores, por exemplo (CASTILLO, et al., 2000).
3.1.3 Transtorno Bipolar
As causas do transtorno bipolar ainda são desconhecidas, mas acredita-se ter influência da
genética e do contexto ao qual o individuo é submetido. O distúrbio é caracterizado por
eventos repentinos de euforia, insônia, perda de contato com a realidade, seguidos de
momentos depressivos, caracterizados pela falta de motivação e perda de interesse nas
atividades do dia-a-dia. Portanto, o transtorno bipolar se caracteriza pela variação repentina de
humor entre euforia e melancolia. Essa alteração de humor pode durar dias ou meses,
dependendo de cada indivíduo. Em casos extremos, é acompanhada de pensamentos suicidas
(SBIE, 2016).
3.1.4 Outros
Veremos aqui dois transtornos mentais também comuns, que são mencionados nos
depoimentos da base de dados coletada: Transtorno obsessivo-compulsivo e Transtorno de
estresse pós-traumático.
O Transtorno obsessivo-compulsivo (TOC) caracteriza-se por pensamentos e medos
fixos que levam a pessoa a comportamentos obcecados. Pessoas com esse transtorno
costumam repetir compulsivamente ações, como por exemplo, lavar a mãos a toda momento,
sempre achando que estão com as mãos sujas, ou a todo momento organizam objetos de uma
forma específica (GONZALEZ, 1999).
Já o Transtorno de estresse pós-traumático acontece quando uma pessoa passa por um
trauma e tem dificuldade em se recuperar dele. As causas de traumas são inúmeras, como por
exemplo, perda de entes queridos, abuso sexual, acidentes de carro, entre outros. Os sintomas
que acompanham as pessoas que têm esse transtorno são pesadelos, resistência ou fuga de
situações que façam reviver o trauma, ansiedade e depressão. Ao serem expostas a situações
42
que relembram o trauma, podem ter reações exageradas. Essa condição pode durar uma vida
inteira, ou sempre que for lembrado da situação (FIGUEIRA, et al., 2003).
3.2 Grupos de Apoio na Internet
Existem diversas comunidades na internet que utilizam sites para apoio a pessoas com
transtornos mentais. Esses grupos de apoio têm o objetivo de informar familiares sobre como
ajudar parentes ou amigos que passam por esses transtornos, bem como objetivam auxiliar os
próprios pacientes sobre onde conseguir ajuda. Buscam também mostrar para os pacientes que
qualquer pessoa está suscetível a passar por esses transtornos, e que a pessoa que passa por
essa situação não é a única a passar por isso e não está sozinha, pois existem muitas pessoas
que se importam com ela e não a consideram preguiçosa. Essas comunidades buscam ainda
esclarecer que os sintomas que essas pessoas sentem são sentimentos reais de uma doença
mental, mas que existe tratamento, e que elas podem melhorar e até se curar desses
transtornos.
Na maioria desses sites existe um espaço para que o usuário compartilhe suas
experiências pessoais e, por se tratar de um ambiente solidário, muitos usuários terminam por
se sentirem à vontade para compartilhar suas histórias com o transtorno. Na maioria dos sites,
é opcional a identificação de quem conta sua história.
Em diversos sites são encontrados depoimentos de pessoas que passaram ou estão
passando por esses transtornos, e esses depoimentos são compartilhados com o intuito de
promover a socialização e incentivar outras pessoas que passam por situações semelhantes a
perceberem que não estão sozinhas. Assim uma pessoa se apoia na outra.
Alguns depoimentos são publicados em Redes Sociais de Saúde. Redes sociais de
saúde são sistemas que permitem que seus usuários encontrem recursos para a saúde, pois são
agrupados por características semelhantes. Em sua forma básica, oferecem como serviço um
conjunto mínimo de apoio emocional, e permitem compartilhar informações (SWAN, 2009).
Como exemplos a serem citados, temos PatientsLikeMe11
e o Sistema de capacitação dos
doentes da IBM12
. Esses serviços de cuidados de saúde facilitam a troca de informação e a
colaboração entre os usuários que compõem a rede (pacientes, médicos, cuidadores etc.)
(SONG, et al., 2011).
11
https://www.patientslikeme.com/ 12
http://ibm.connvision.com/website/pes/index.aspx
43
Nas seções 3.2.1 e 3.2.2 a seguir são apresentados alguns sites de apoio a pessoas com
transtornos mentais e redes sociais de saúde.
3.2.1 Sites de Apoio a pessoas com Transtonos Metais
Associação americana de Ansiedade e Depressão (Adaa)
ADAA (do nome inglês Anxiety and Depression Association of America)13
é uma organização
internacional sem fins lucrativos localizada nos Estados Unidos que foi fundada em 1979,
sendo líder em educação, treinamento e pesquisa sobre depressão, ansiedade e outros
distúrbios relacionados.
O site da associação tem por objetivo reduzir o estigma em torno da ansiedade,
depressão e transtornos mentais relacionados. Para isso, possui um corpo de profissionais de
saúde metal e uma comunidade científica que auxiliam na disseminação do conhecimento a
respeito desses distúrbios. A associação busca ligar pessoas que necessitam de tratamento
com profissionais de saúde que possam ajudar a encontrar o tratamento mais adequado, bem
como de desenvolver habilidades de autoajuda. No site da associação é possível encontrar
dezenas de depoimentos de pessoas que passaram e que passam por esses transtornos.
Beyondbluez
Beyondblue14
é um site australiano fundado nos anos 2000 com o objetivo de conscientizar as
pessoas a repeito de depressão, ansiedade e suicídio. O site oferece apoio aos australianos que
sofrem desses transtornos, auxiliam os entes mais próximos a lidar com a situação e buscam
conscientizar a todos na Austrália sobre importância de falar desses assuntos no dia a dia, para
eliminar o estigma desses transtornos.
O serviço que prestam é reconhecido como um programa nacional na Austrália que
tem o apoio de todos os níveis do governo. O programa busca uma resposta nacional para
acabar com o estigma dos transtornos mentais, envolvendo a todos.
Time To change
Assim como os demais sites já citados, o Time to Change15
também busca conscientizar a
todos sobre a saúde mental, buscando melhorar as relações das pessoas que sofrem desses
transtornos. É um site do Reino Unido fundado em 2007.
13
https://www.adaa.org/ 14
https://www.beyondblue.org.au/ 15
https://www.time-to-change.org.uk/
44
Segundo o próprio site, em torno 3,4 milhões de adultos na Inglaterra melhoraram as
atitudes em relação aos problemas de saúde mental, isto é, uma melhoria de 8,3% entre 2008 e
2014. E mais pessoas do que nunca podem falar abertamente sobre seus problemas de saúde
mental. Isso é reflexo da parceria com o governo, instituições de caridade e escolas, todos
unidos em prol de acabar com o estigma por trás dos transtornos mentais.
3.2.2 Redes Sociais de Saúde
Os principais meios de encontrar pacientes com problemas de saúde semelhantes são
baseados no trabalho intensivo, como o método de pesquisa na internet, palavras-chave em
títulos da comunidade e descrições de outros membros em comunidades (BELKIN, et al.,
1992).
As redes sociais de saúde são sistemas onde os usuários podem encontrar apoio e
informações de outros usuários que passam por situação semelhante, bem como de
profissionais da área da saúde. Os serviços podem variar desde um conjunto mínimo de apoio
emocional, até o compartilhamento de informações com profissionais da saúde ou com outros
usuários da rede (SWAN, 2009).
Redes sociais de saúde fornecem o potencial para encontrar outras pessoas em
situações de saúde semelhantes e compartilhar informações sobre condições, sintomas e
tratamentos. A condição de saúde é uma afinidade particularmente forte, e auxilia na difusão
de conhecimento de todos os envolvidos na rede. A experiência dos outros pode ser
aproveitada e compartilhada para ajudar os doentes a tomarem decisões. Essas redes são
dirigidas principalmente a pacientes, e geralmente são compostas por pacientes, médicos,
cuidadores, pesquisadores e outros interessados (SONG, et al., 2011).
Um dos principais benefícios das redes sociais de saúde é que elas podem oferecer um
olhar mais abrangente sobre a saúde de um paciente, cobrindo uma gama mais ampla de
doenças do que a medicina tradicional pode alcançar, pois a rede social disponibiliza um
número muito maior de informações fornecidas por pacientes e profissionais de saúde,
provendo dessa forma milhares de informações que podem auxiliar pesquisas. Esse benefício
que a computação trouxe e traz acelera o cruzamento de informações e posteriormente suas
análises (EYSENBACH, 2008).
As redes sociais de saúde podem fornecer funcionalidades que permitem ao próprio
usuário localizar pessoas com a mesma condição que a sua, e o sistema realiza uma filtragem
colaborativa para identificar doenças potencialmente relacionadas, se combinar pacientes em
45
situações semelhantes e recomendá-los a fim de compartilharem informações (EYSENBACH,
2008).
PatientsLikeMe
Umas das maiores redes sociais de saúde é a PatientsLikeMe16
, fundada em 2005 com o
objetivo de conectar pacientes uns com os outros, melhorando seus resultados e facilitando a
investigação de doenças ou necessidades de pacientes em situações semelhantes.
PacientesLikeMe nasceu de uma grande dificuldade. Em 1998, aos 29 anos Stephen Heywood
foi diagnosticado com esclerose lateral amiotrófica (do inglês, Amyotrophic Lateral Sclerosis
- ALS), uma doença neurodegenerativa progressiva. À medida que a doença avançava, os
irmãos de Stephen tentavam tratar os sintomas e diminuir a doença. Mas encontrar
informações para orientar suas decisões era demorado e difícil. Assim, os irmãos Jamie e Ben,
juntamente com um amigo da família Jeff Cole, lançaram o PatientsLikeMe, para conectar
pacientes com ALS.
A rede se expandiu rapidamente e, em 2011, abriram a rede para pacientes com todas
as outras condições de saúde. Hoje, essa rede conta com mais de 500 mil membros, e já
registra mais de 2.700 doenças, mais de 70 pesquisas publicadas e possui uma base com mais
de 40 milhões de dados para pesquisa sobre doenças (PATIENTSLIKEME, 2017).
Assim, o objetivo dessa rede social passou a ser reunir pessoas com doenças em
comum para compartilharem suas experiências, e para que pacientes recém diagnosticados
possam melhorar seus resultados conectando-se e aprendendo com outros que já passaram
pela mesma condição antes.Os dados gerados diariamente também ajudam os profissionais da
saúde e pesquisadores a aprenderem mais sobre o que está funcionando para uma dada
doença, para que possam desenvolver novos e melhores tratamentos. É uma rede social de
saúde gratuita onde as pessoas podem compartilhar seus dados de saúde para acompanhar o
progresso, ajudar os outros e ajudar a ciência.
IBM Patient Empowerment System
O IBM Patient Empowerment System é uma rede social baseada em novas tecnologias
desenvolvidas pela IBM Research em colaboração com médicos e administradores do Gil
Hospital da Gacheon, na Coréia. Este é um dos maiores centros médicos da Coréia, com
aproximadamente um milhão de pacientes. O hospital decidiu fornecer aos médicos e
pacientes acesso ao portal como parte de um projeto piloto para aumentar a eficiência e
reduzir custos (IBM, 2011).
16
https://www.patientslikeme.com/
46
É uma plataforma que permite aos pacientes integrar e gerenciar seus dados de saúde
para todas as necessidades médicas, receber recomendações personalizadas ou alertas para um
tratamento médico mais seguro, e dá acesso a outras fontes de informações. O sistema ajuda
na tomada de decisão através da recomendação de informação para o usuário, principalmente
aos pacientes que, em meio ao grande volume de dados, têm mais dificuldade em encontrar
informações relevantes. O sistema oferece recursos de pesquisa e recomendações sobre
pacientes que sofrem de problemas semelhantes, potenciais planos de tratamento e médicos
especialistas (IBM, 2011).
O IBM Patient Empowerment System é o resultado da colaboração entre três centros
da IBM em todo o mundo: o IBM Ubiquitous Computing Laboratory na Coréia, a IBM
Research em Haifa e a IBM Research na China (IBM, 2011).
3.3 Sistema de Recomendação na Área da Saúde
Não encontramos na pesquisa de literatura relacionada nenhum sistema de recomendação com
o mesmo foco que o nosso, ou seja, um sistema de recomendação de depoimentos sobre
transtornos mentais. O trabalho mais próximo do nosso que encontramos é um sistema de
recomendação de relacionamentos para pais com filhos autistas, que será apresentado abaixo.
Como só encontramos um trabalho na área de recomendação, decidimos apresentar
outros sistemas de apoio a pessoas com transtornos mentais (seção 3.4), para ampliar esta
revisão bibliográfica.
3.3.1 Proposta de métricas de avaliação da qualidade da informação médica para Sistemas
de Recomendação baseados no perfil do usuário
Leila et al. (2010) desenvolveram um Sistema de Recomendação de fontes de informações
médicas baseado no perfil do usuário. As informações são referentes à doença de Alzheimer.
A criação do perfil é baseada em um questionário que deve ser respondido pelos
usuários. O questionário trabalha com respostas fechadas (com alternativas fixas), não
havendo possibilidade de o usuário escrever uma resposta livre. Dentre as perguntas, estão a
escolaridade do usuário (que influencia diretamente o seu nível de entendimento), e a sua
faixa etária, pois acredita-se que quanto mais velho, mais experiente é esse usuário. O sistema
calcula o perfil do usuário com base nas respostas, e classifica esses usuários em leigos,
profissionais da área de saúde, acompanhante de pacientes ou usuários casuais.
47
Os autores implementaram um protótipo que recomenda páginas sobre a doença de
Alzheimer com base no nível de conhecimento do usuário. A ênfase do sistema é nos usuários
leigos que, segundo os autores, não têm a formação suficiente para fazer juízo de valor em
relação à qualidade ou confiabilidade da informação médica. O prótotipo implementado é
uma ferramenta de busca através da qual o usuário leigo recebe como resultado apenas
indicações de páginas com linguagem de fácil compreensão (com poucas informações
técnicas), enquanto que um especialista da área médica receberia para a mesma busca
resultados com maior teor científico.
A principal contribuição deste trabalho foi o desenvolvimento de um sistema de
recomendação de informações médicas com ênfase no tipo de usuário, bem como a proposta
de métricas para avaliação da qualidade da informação médica para Sistemas de
Recomendação.
3.3.2 A Health Social Network Recommender System
Song et al. (2011) desenvolveram um trabalho intitulado "A Health Social Network
Recommender System", no qual eles propõem um framework de uma rede social para
cuidados ou atendimento de paciente, em particular para pais de crianças com Desordens do
Espectro Autista (em inglês, Autism Spectrum Disorders - ASD). Através do framework, o
relacionamento entre pais e prestadores de serviços de saúde torna-se mais próximo, pois o
framework facilita as ligações sociais entre pais com base em similaridades identificadas a
partir dos relatórios de avaliação das crianças, sem contudo revelar informações confidenciais.
O algoritmo busca pais que tenham filhos com sintomas de ASD semelhantes, e
recomenda que eles se relacionem, a fim de trocar informações e até mesmo tirar dúvidas com
os profissionais de saúde.
Sua principal contribuição foi o desenvolvimento de um algoritmo de aprendizagem
de máquina para encontrar padrões de avaliação de ASD, a fim de auxiliar os médicos nas
suas avaliações. O algoritmo de recomendação foi treinado com um conjunto de dados de
avaliações do autismo, e teve taxa de precisão de 90% (SONG, et al., 2011).
3.3.3 Artificial Intelligence-Assisted Online Social Therapy for Youth Mental Health
Esse trabalho apresenta o desenvolvimento do aplicativo web Moderated Online Social
Therapy (MOST), que fornece uma plataforma interativa de mídia social para recuperação da
48
saúde mental (D’ALFONSO, et al., 2017). O objetivo do projeto é desenvolver mecanismos
para oferecer sugestões de terapia individualizada com base em análise linguística de
postagens em feeds de notícias e outros dados pertinentes, como as preferências e histórias do
usuário. O sistema MOST busca fornecer serviços centrados no usuário.
Os autores fazem o uso de Análise de Sentimento e de um chatbot para melhorar a
interação do sistema com o usuário, para assim recomendar conteúdo de terapia aos usuários.
Segundo os autores, o sistema MOST demonstrou viabilidade em uma série de experimentos
de pesquisa clínica (D’ALFONSO, et al., 2017).
3.4 Sistemas de Apoio a Pessoas com Transtornos Mentais
Esta seção traz quatro trabalhos cujo foco é oferecer apoio na área de transtornos mentais,
cada um com características diferentes.
3.4.1 Screening for posttraumatic stress disorder using verbal features in a text mining
approach
Esse trabalho desenvolveu um método de avaliação textual para doentes do transtorno de
estresse pós-traumático (do inglês, Posttraumatic Stress Disorder - PSTD) explorando
características lexicais nas narrativas pessoais com técnicas de Mineração de Texto. Os
autores usaram 300 depoimentos disponíveis on-line, extraíram palavras-chave altamente
discriminativas, e construíram um modelo de avaliação textual para classificar os indivíduos
com presença ou ausência de PTSD. Segundo os autores, o sistema conseguiu ótimas taxas
de precisão quando comparado com o diagnóstico de psiquiatras que atuam nessa área (HE, et
al., 2012).
Apesar dos resultados positivos, existem algumas limitações no estudo descritas pelos
próprios autores. Por exemplo, os indivíduos envolvidos na amostra utilizada no experimento
sofreram traumas variados, incluindo abuso infantil, abuso sexual, acidente de trânsito,
guerra, violência doméstica, morte de uma pessoa amada, roubo e incêndio. Devido à
dificuldade de conseguir amostras do mesmo tamanho para cada categoria de trauma, foi
desenvolvido um modelo comum de classificação de texto para a amostra toda, em lugar de
gerar modelos separados para cada tipo de trauma.
Apesar das limitações, esse estudo contribuiu com um novo modelo de classificação
de texto para triagem de PTSD com base em características verbais das narrativas dos
49
próprios pacientes, demonstrando que a mineração de texto é muito promissora no processo
de triagem e diagnóstico.
3.4.2 Uptake and usage of IntelliCare: A publicly available suite of mental health and well-
being apps
Lattie et al. (2016) realizaram uma pesquisa de aceitação e de uso dos aplicativos do pacote
IntelliCare17
, que conta com 12 aplicativos que foram desenvolvidos e disponibilizados
gratuitamente na Google Play Store18
. O objetivo deste estudo foi examinar a aceitação inicial
e os padrões de uso do conjunto IntelliCare de saúde mental e bem-estar.
O conjunto de aplicativos IntelliCare foi desenvolvido para abordar a diferença entre a
necessidade de diversas estratégias comportamentais e as restrições impostas pelo uso típico
dos aplicativos. Cada aplicativo se concentra em uma estratégia diferente para um
subconjunto de objetivos clínicos, todos pertinentes à depressão e à ansiedade. O uso de todos
os aplicativos é coordenada através de um aplicativo central do Hub.
Os dados de uso do primeiro ano de implantação do IntelliCare foram analisados por
esse estudo. No primeiro ano de disponibilidade pública, 5.210 indivíduos baixaram uma ou
mais das aplicações IntelliCare, com um total de 10.131 downloads. Quase um terço desses
indivíduos (31,8%) baixou mais de um desses aplicativos. A taxa de uso do conjunto de
aplicativos IntelliCare é maior do que as implementações públicas de outros produtos
similares.
A principal contribuição desse trabalho foi demostrar a viabilidade de disponibilização
e aceitação de serviços para saúde metal através de aplicativos para celular. Segundo os
autores, a aprovação e o uso continuado desses aplicativos foram altas (LATTIE, et al., 2016).
3.4.3 Artificial Intelligence-Assisted Online Social Therapy for Youth Mental Health
Nesse trabalho, Hirsch et al. (2017) realizaram um estudo da complexidade de usar
Aprendizagem de Máquina no domínio da saúde mental. Foi realizado um estudo com o
sistema CORE-MI (Counselor Observer Ratings Expert for Motivational Interviewing)19,
projetado para entrevista motivacional, que é uma psicoterapia baseada em evidências focadas
em mudança de comportamento com abuso de substâncias (remédios) e comportamento de
17
https://www.intellicare.com.ph/ 18
https://play.google.com/store 19
http://sri.utah.edu/psychtest/misc/demoinfo.html
50
saúde mental. O sistema que usa fala e processamento de linguagem natural para gerar
automaticamente avaliações de sessões de aconselhamento diretamente do áudio. O sistema
usa algoritmos de aprendizagem de máquina para transcrever e avaliar a qualidade da terapia,
e fornece um relatório interativo, um resumo visual das sessões de aconselhamento de cada
usuário.
O artigo discute problemas de design que surgiram durante o desenvolvimento do
CORE-MI, bem como uma avaliação, para ilustrar os desafios na criação de sistemas de
aprendizagem de máquinas no domínio da psicoterapia, alertando para os problemas que
podem surgir ao empregar a técnica de aprendizagem de máquina nesse domínio. À medida
que os sistemas crescem em popularidade e expandem os contextos em que estão empregados,
é necessária uma maior urgência para atender esses novos desafios no projeto. Além disso,
devem ser consideradas no projeto as questões sociais e éticas dos indivíduos (HIRSCH, et
al., 2017).
3.5 Considerações Finais
Este capítulo tratou do uso da tecnologia na área da saúde, dando ênfase aos transtornos de
saúde mental. A seção 3.1 apresentou conceitos e definições sobre os transtornos metais mais
relevantes a esta pesquisa. Em seguida, na seção 3.2 foram apresentados sites e comunidades
de apoio a pessoas com transtornos metais, e também as redes sociais de saúde que dão
suporte a uma ampla gama de condições de saúde, incluindo os transtornos mentais.
Por fim, vimos alguns trabalhos acadêmicos que desenvolveram sistemas
computacionais na área da saúde, para ilustrar a importância do uso da tecnologia como
ferramenta de apoio na área da saúde mental, buscando prover bem estar às pessoas.
51
4 REC-PSI: UM SISTEMA DE RECOMENDAÇÃO DE TEXTOS PARA AUXILIAR
PESSOAS QUE SOFREM DE TRANSTORNOS MENTAIS
Neste Capítulo, é apresentado o resultado da pesquisa desenvolvida durante o curso de
mestrado. Como visto, o objetivo geral deste trabalho foi desenvolver um Sistema de
Recomendação Hibrido, utilizando técnicas de filtragem de informação, para recomendar aos
usuáiors textos de autoajuda de pessoas que já sofrem de depressão e aprenderam a lidar e
superar os desafios do dia-a-dia. O intuito é inspirar, motivar e mostrar a esses usuários que
eles não são os únicos a enfrentarem esses desafios.
Para isto, foi desenvolvido um Sistema de Recomendação, chamado de REC-PSI, para
recomendar aos usuários textos de autoajuda (chamados aqui de depoimentos) de pessoas (ou
de parentes de pessoas) que já sofreram de depressão e aprenderam a lidar e superar os
desafios do dia-a-dia. O intuito é inspirar, motivar e mostrar a esses usuários que eles não são
os únicos a enfrentarem esses desafios.
Neste trabalho, foi levado em consideração o perfil do usuário, bem como o seu
contexto (idade, gênero, transtorno mental, etc.). O REC-PSI foi implementado utilizando
técnicas de filtragem de informação. Como principais contribuições deste trabalho, destacam-
se: (1) A criação de um Repositório de Depoimentos sobre superação de depressão; e (2) A
implementação de um sistema de recomendação em um domínio pouco explorado, e de
grande relevância.
O Capítulo está organizado em cinco seções. Na seção 4.1 traz a caracterização do
problema que motivou o desenvolvimento deste trabalho. A seção 4.2 apresenta uma
descrição geral do sistema, incluindo sua arquitetura e seus módulos iniciais. A seguir, a seção
4.3 apresenta as interfaces do sistema e descreve seu funcionamento. A seção 4.4 se dedica a
detalhar o módulo de Recomendação, que é o módulo mais importante do sistema (a principal
contribuição deste trabalho). Por fim, a seção 4.5 apresenta considerações finais sobre o
Capítulo.
4.1 Caracterização do Problema
Como visto no Capítulo 3, centenas de pessoas publicam na internet suas experiências sobre
como passaram por problemas relacionados a transtornos mentais. Existem atualmente
centenas de depoimentos espalhados na web, com o intuito de motivar e inspirar outras
pessoas que passam por situação semelhante. Alguns depoimentos são publicados em Redes
52
Sociais de Saúde (seção 3.2), que facilitam a troca de informação e a colaboração entre os
usuários que compões a rede (pacientes, médicos, cuidadores e etc.) (SONG, et al., 2011).
Todavia, a grande maioria dos depoimentos dessa natureza encontra-se em sites de
comunidades de apoio espalhados pela web. Assim, encontrar um depoimento relevante torna-
se uma tarefa árdua e tediosa. Isso ocorre devido ao grande volume de dados a analisar,
acarretando na perda de tempo na busca por um depoimento relevante.
Buscando preencher essa lacuna, o sistema REC-PSI foi desenvolvido com objetivo de
recomendar aos usuários depoimentos de pessoas (ou de parentes de pessoas) que já sofreram
de depressão. Como visto, os Sistemas de Recomendação realizam indicações personalizadas
de itens de forma automática, de acordo com o interesse particular de um usuário (ou grupo de
usuários) (WEITZEL, et al., 2010).
4.2 Descrição Geral do REC-PSI
A Figura 9 mostra a arquitetura geral do sistema REC-PSI, composta pelos seguintes
módulos: Interface, Perfil do usuário, Coleta de depoimentos, Persistência, Repositório do
sistema e Recomendação.
O protótipo do sistema foi desenvolvido para a língua inglesa, uma vez que não foi
encontrada uma quantidade satisfatória de depoimentos na língua portuguesa. Assim sendo,
todos os depoimentos usados estão em inglês.
O sistema foi implementado com o uso da linguagem Java, e o repositório de
depoimentos foi construído com ajuda do PostgreSQL20 (um Sistema de gerenciamento de
banco de dados).
20
https://www.postgresql.org
53
Figura 9 - Visão Geral do Sistema
Fonte: Autoria própria
Interface do Usuário - Provê a comunicação entre o usuário e o sistema. É através
desse componente que o usuário fornece suas informações e recebe as recomendações
do sistema. A seção 4.3 apresenta as telas da interface do sistema, explicando também
seu funcionamento.
Módulo Perfil do Usuário - Responsável por coletar os dados fornecidos pelo
usuário, para a criação e manutenção de seu perfil. O perfil é mantido pelo Módulo
Persistência, sendo utilizado pelo módulo Recomendação, a fim oferecer sugestões de
depoimentos adequados a cada usuário (ver seção 4.2.1).
Módulo Coleta de Depoimentos – objetiva coletar da Web os depoimentos que
formarão o Repositório do sistema. Esse módulo não foi implementado, por não fazer
parte do escopo dessa fase do projeto. Considerando que o objetivo principal do
projeto é a tarefa de recomendação, e que a implementação do módulo de coleta
automática demadaria muito tempo adicional, optou-se por deixar essa implementação
para trabalhos futuros. Além disso, mesmo que os depoimentos fossem coletados
automaticamente, ainda seria necessária uma revisão manual para atestar a qualidade
dos depoimentos coletados. Assim, os depoimentos do protótipo inicial foram
coletados manualmente (ver seção 4.2.2).
Módulo Persistência – recebe como entrada os dados obtidos pelos módulos Perfil do
Usuário e Coleta de Depoimentos. Sua função é persistir no repositório somente os
dados relevantes ao sistema (ver seção 4.2.3).
54
Repositório do Sistema - armazena os depoimentos coletados da Web, bem como os
perfis dos usuários do sistema. Somente os dados que passaram pelo Módulo
Persistência serão armazenados no repositório (ver seção 4.2.4).
Módulo Recomendação - responsável por indicar ao usuário depoimentos relevantes
com base seu perfil do usuário. O modulo recomendação irá combinar duas
abordagens distintas de recomendação: (1) baseada em conteúdo, e (2) baseada em
avaliações (filtragem colaborativa) - ver seção 4.4. Assim, o REC-PSI pode ser
considerado como um sistema de recomendação híbrido. As duas abordagens são
utilziadas para suprir as deficiências uma da outra, como por exemplo o problema de
cold start que é solucinado pela abordagem baseada em conteúdo.
4.2.1 Criação do Perfil do Usuário
Este módulo é responsável por coletar os dados fornecidos pelo usuário para a criação e
manutenção de seu perfil. A coleta da informação é feita de forma explícita. Ao acessar o
sistema pela primeira vez, o usuário necessita preencher um formulário para se cadastrar e
gerar seu perfil (ver Figura 10).
Os campos que compõem o perfil são: nome fictício, login (que é o nome verdadeiro
do usuário), senha, sexo, faixa etária, cidade, estado, país, doença, e os campos booleanos
tratamento, histórico familiar e conteúdo suicida.
55
Figura 10 - Formulário Perfil do Usuário
Fonte: Autoria Própria
Os campos marcados com asterisco são obrigatórios. Note que, para proteger a
identidade do usuário, ele pode fornecer ao sistema um nome fictício. Além dos campos para
identificação do usuário no sistema (nome/login e senha), os campos sexo e faixa etária se
tornaram obrigatórios porque, a partir da leitura dos depoimentos, percebeu-se que não faria
sentido recomendar um depoimento de uma mulher com depressão pós-parto a um jovem do
sexo masculino, por exemplo. Assim, passou-se a usar sexo e faixa etária para restringir as
recomendações. O campo doença também é obrigatório, sendo permitido ao usuário indicar
mais de um transtorno mental (na interface, ele é indicado pela frase: “Por favor, selecione
o(s) problema(s) que mais o/a incomoda no momento”).
Os campos opcionais também ajudam muito na escolha dos depoimentos a
recomendar. Por exemplo, o usuário pode indicar se quer ou não receber depoimentos que
56
falam de suicídio (em geral, esses depoimentos são mais tristes, e podem não ajudar muito o
usuário).
O perfil é mantido pelo Módulo Persistência, como será apresentado mais tarde. Esse
perfil é utilizado pelo Módulo Recomendação para filtrar depoimentos, oferecendo sugestões
adequadas a cada usuário.
4.2.2 Coleta de Depoimentos
Como visto anteriormente, o módulo de coleta automática de depoimentos não foi
implementado, por não fazer parte do escopo dessa fase do projeto. Assim, o corpus de
depoimentos do protótipo inicial foi coletado manualmente. Descreveremos aqui o processo
manual de seleção e aquisição desses depoimentos.
Inicialmente, foram selecionados alguns sites na web que contêm depoimentos dentro
do nosso interesse. A Tabela 8 apresenta os sites utilizados para coletar os depoimentos.
Alguns exemplos desses sites são: beyondblue21
, time to change22
, entre outros. Note que,
mesmo se a coleta de depoimentos já estivesse automatizada, a seleção das fontes teria que ser
manual. Isso porque para selecionar essas fontes listadas na Tabela 8 foram utilizadas várias
querys, como por exemplo: “testimonials of people with depression” e “personal stories of
people with depression”. E nem sempre a fonte relevante, que foi selecionada manualmente,
era a primeria da lista da resposta da pesquisa. Essa etapa de seleção foi minunciosa e
trabalhosa, o que demandaria muito tempo para ser automatizada.
Tabela 8 - Sites que contêm Depoimentos
Site Link Anxiety and Depression Association of America
(ADAA) https://adaa.org/
The Depression hope center http://www.thedepressionhopecenter.com/
Depression and Bipolar Support Alliance (DBSA) http://www.dbsalliance.org/
Safe Harbor https://www.alternativementalhealth.com/
Brain & Behavior Research Foundation https://www.bbrfoundation.org/
Depression https://depression.org.nz/
Beyondblue https://www.beyondblue.org.au/
Time to change https://www.time-to-change.org.uk/
Fonte: Autoria Própria
Os depoimentos disponíveis foram coletados manualmente e em seguida foram lidos
com atenção. A maioria dos depoimentos relata casos de depressão. Porém, foram
21
https://www.beyondblue.org.au/ 22
https://www.time-to-change.org.uk/
57
encontrados alguns textos que falam de outros transtornos metais, como TOC e transtorno
bipolar. Existem ainda os depoimentos com mais de um transtorno mental (e.g., depressão e
TOC). Para seleção dos documentos que formaram o corpus, foram utilizados os seguintes
critérios: ter sido narrado pela própria pessoa que sofreu o transtorno (ou por alguém próximo
a ela), e falar do transtorno depressão (mesmo que incluam outras doenças). A Figura 11
apresenta um exemplo de depoimento sobre depressão.
Figura 11 - Exemplo de Depoimento Pessoal
Fonte: Beyondblue23
Os depoimentos selecionados foram então enviados ao módulo Persistência, para
depois serem armazenados no Repositório do sistema. Esses depoimentos estão indexados por
metadados, como pode ser visto a seguir.
4.2.3 Módulo Persistência
Este módulo tem por função persistir no Repositório os dados relevantes ao sistema: perfis
dos usuários e depoimentos. Os dados coletados sobre o perfil do usuário são armazenados no
Repositório do sistema, como pode ser visto na seção a seguir, Figura 12 (Modelagem do
Banco de Dados – tabela perfil_usuário). Esse perfil também pode ser atualizado pelo usuário
em interações posteriores, sempre que desejado.
Os depoimentos passam por um processo de pré-processamento antes de serem
armazenados. Como mencionado antes, os depoimentos são indexados por metadados. Os
23
https://www.beyondblue.org.au/connect-with-others/personal-stories/story/emily
58
metadados foram escolhidos depois da leitura de vários depoimentos, tendo sido selecionadas
as características que julgou-se as mais importantes para descrever o depoimento. Esses
metadados estão apresentados na Tabela 9.
Alguns desses metadados são eles: sexo da pessoa sobre quem o depoimento fala (pois
em alguns casos quem escreve o texto é um parente ou amigo próximo), sua faixa etária (se
jovem, adulto ou idoso), se passou por algum tratamento, e se possui histórico de transtornos
mentais na família. Existe ainda um metadado que indica se o depoimento fala sobre suicídio,
com o objetivo de permitir ao usuário excluir depoimentos com esse teor da sua lista de
recomendações. Note que alguns depoimentos que falam sobre suicídio são muito pesados
para pessoas mais sensíveis.
Este módulo recebe os depoimentos como entrada, e então deve extrair do texto os
valores desses metadados. Contudo, assim como ocorreu com a coleta de depoimentos, a
extração dos metadados dos depoimentos foi feita manualmente, pois não fazia parte do
escopo dessa etapa do projeto implentar a extração automática desses valores.
4.2.4 Repositório do Sistema
O Repositório tem por objetivo armazenar os dados do sistema (dados do usuário e
depoimentos), e foi construído com ajuda do Sistema gerenciador de banco de dados
PostgreSQL. A modelagem do banco de dados projetada para o sistema de recomendação
pode ser visto na Figura 12.
.
59
Figura 12 - Modelagem do Banco de Dados
Fonte: Autoria Própria
Na Figura 12 é possível ver a estrutura das relações entre as tabelas. A tabela
perfil_usuario é responsável por armazenar dados do usuário e validar seu acesso ao sistema.
A tabela depoimento guarda os depoimentos coletados da internet, junto com os
metadados extraídos do texto. Vale ressaltar que os usuários do sistema também têm a
possiblidade de armazenar seus próprios depoimentos pessoais.
A tabela depoimentos_lidos registra os depoimentos lidos por um determinado
usuário, junto com a avaliação do usuário para cada depoimento lido, exercendo assim o
controle de depoimentos lidos e suas notas.
4.3 Interfaces e Funcionamento do Sistema
Esta seção dá uma visão geral do funcionamento do sistema. É importante ressaltar que o
sistema tem dois ciclos distintos: (1) cadastramento do usuário e avaliação inicial de
depoimentos; e (2) consulta ao módulo de Recomendação de depoimentos (para usuários já
cadastrados).
60
Esta seção mostra também as interfaces do sistema, que foram criadas para prover
acesso simples e direto aos dados, apresentando ao usuário os depoimentos recomendados
com base no seu perfil. O sistema possui interfaces diferentes para cada tarefa do usuário e do
sistema, como será visto ao longo do texto.
4.3.1 Ciclo Inicial de Cadastramento e Avaliação
O primeiro passo para usar o sistema de Recomendação é criar login e senha. Isso é realizado
através da tela de Acesso ao Sistema (Figura 13).
Figura 13 - Tela de Acesso ao Sistema
Fonte: Autoria Própria
A seguir, o usuário novato recebe a tela de Criação do Perfil do Usuário, já
apresentada na seção 4.2.1 (Figura 10). Assim que o perfil do usuário estiver persistido no
Repositório, o sistema irá apresentar uma lista de depoimentos para esse usuário avaliar
(Figura 14). Nessa etapa inicial, os depoimentos serão selecionados apenas com base na
filtragem baseada em conteúdo, uma vez que o usuário é novato.
61
Figura 14 - Tela de Recomendações para o Usuário
Fonte: Autoria Própria
Ao selecionar um depoimento, o sistema apresenta ao usuário a tela de visualização de
depoimentos (Figura 15). No canto inferior esquerdo da tela, encontram-se os campos para
avaliação do depoimento, com nota variando entre 5 e 1, onde 5 significa "gostou ou ajudou
muito", e 1 representa "não gostou, não ajudou".
Ao classificar um depoimento, o usuário volta para a tela anterior (Figura 14) com a
lista inicial de depoimentos. Esse processo de avaliação termina quando o usuário desejar
parar, não sendo obrigatória a avaliação de todos os depoimentos oferecidos pelo sistema.
Na verdade, o usuário não é obrigado a avaliar nenhum depoimento, se não quiser.
Mas a consequência de não avaliar nada é que ele também não vai poder receber
recomendações baseadas em filtragem colaborativa. O usuário só irá receber recomendações
do módulo filtragem baseada em conteúdo, que foi o módulo desenvolvido para tratar esse
problema, que na literatura é chamdo de cold start.
62
Figura 15 - Tela de Visualização de Depoimentos
Fonte: Autoria Própria
O usuário pode acessar a qualquer momento os depoimentos já lidos clicando no link
Depoimentos Lidos na barra superior da tela, como apresentado na Figura 16.
Figura 16 - Barra Superior do Sistema
Fonte: Autoria Própria
A Figura 17 apresenta a tela com a lista de depoimentos já lidos pelo usuário.
63
Figura 17 - Tela de Depoimentos Lidos
Fonte: Autoria Própria
Após o cadastramento e a avaliação inicial de depoimentos, o usuário já pode solicitar
recomendações do sistema, como a seguir.
4.3.2 Ciclo de Recomendação
Esse ciclo inicia quando o usuário já cadastrado no sistema solicita recomendações. A Figura
18 apresenta o segundo ciclo de uso do sistema, que conta com três fases: pré-processamento,
recomendação e pós-processamento. São apresentados alguns detalhes de cada fase a seguir.
64
Figura 18 - Ciclo de Recomendação
Fonte: Autoria Própria
4.1.1.1 Pré-Processamento
Como visto, o acesso ao sistema é realizado através da tela de login (Figura 13). Após realizar
o login, o sistema identifica o usuário e verifica se ele possui avaliações registradas no
Repositório. Caso esse usuário já tenha avaliado algum depoimento, o sistema verifica a
possibilidade de gerar recomendações com filtragem colaborativa. Essa etapa consiste em
buscar um grupo de usuários semelhantes ao usuário corrente, a partir das avaliações já
registradas na tabela depoimentos_lidos.
65
4.1.1.2 Processamento
Se existir a possibilidade de realizar recomendação baseada em Filtragem Colaborativa, o
sistema direciona o processamento para o submódulo de Filtragem Colaborativa. Caso
contrário, o processo segue para o submódulo de Filtragem baseada em conteúdo.
No nosso caso, a filtragem por conteúdo se baseia no cálculo da similaridade entre
usuário e depoimentos, através do casamento de padrão entre o perfil do usuário e os
metadados que indexam os depoimentos. O sistema então retorna uma lista de depoimentos
ordenados pelo seu grau de similaridade com o perfil do usuário. Veremos mais detalhes
desse cálculo na seção 4.4.1.
Já a filtragem colaborativa se baseia nas avaliações que os usuários do sistema
fornecem para os depoimentos lidos. Esse submódulo identifica usuários que possuem
avaliações em comum, e com base nessas avaliações, busca calcular e predizer a nota que um
usuário do grupo daria a um depoimento que ele ainda não avaliou. Neste caso, o sistema
devolve uma lista de depoimentos ordenados por nota (seção 4.4.2).
4.1.1.3 Pós-processamento
Por fim, o sistema apresenta ao usuário a lista de depoimentos selecionados pelo módulo de
Recomendação. Esses depoimentos são apresentados na tela de Recomendações para o
Usuário, vista na Figura 6.
4.4 Módulo de Recomendação
Esta seção detalha o Módulo de Recomendação de depoimentos, que, como visto, conta com
dois submódulos, cada um implementado segundo uma abordagem diferente de
recomendação (ver Capítulo 2, seção 2.4.1). O primeiro submódulo implementa
recomendação baseada em Filtragem por Conteúdo, e o segundo realiza recomendação
baseada em Filtragem Colaborativa. Assim, temos um sistema híbrido, que utiliza duas
abordagens diferentes de recomendação.
4.4.1 Filtragem por conteúdo
Este módulo é responsável pela filtragem baseada em conteúdo, considerando as informações
persistidas no Repositório do sistema. Para cada usuário, o módulo lê os dados que constam
66
das tabelas do repositório, calcula a similaridade entre perfil do usuário e depoimentos,
seleciona os depoimentos mais relevantes (utilizando um limiar de similaridade), e devolve
uma lista de Recomendações para o Usuário ordenada por relevância.
Este módulo utiliza um conjunto de metadados pré-estabelecidos (atributos) para
calcular a similaridade entre perfil do usuário e depoimentos, que nos dá a relevância de cada
depoimento para cada usuário em particular. Os metadados foram definidos a partir da leitura
dos depoimentos, levando-se em conta a existência dessa informação nos depoimentos, bem
como sua relevância para o processo de filtragem no nosso contexto.
A Tabela 9 a seguir apresentada os metadados selecionados. Gostaríamos de relembrar
aqui que alguns depoimentos não foram escritos pelo indivíduo que sofreu ou sofre do
distúrbio mental, e sim por algum parente ou amigo próximo.
Tabela 9 - Lista de Metadados dos Depoimentos
Metadado Descrição
MD1 Sexo Se o depoimento fala de um indivíduo do sexo
Masculino ou do Feminino.
MD2 Faixa etária
Indica a faixa de idade do indivíduo de quem o
depoimento fala, sendo classificada como:
Jovem (15 a 29 anos), Adulto (30 a 59 anos) ou Idoso (a
partir de 60 anos).
MD3 Doença Doenças mencionadas no texto. Na maioria dos
depoimentos, foram encontradas mais de uma doença.
MD4 Tratamento Se o indivíduo alvo do depoimento passou ou não por
algum tratamento psicológico ou psiquiátrico.
MD5 Histórico
Familiar
Indica se o problema também afeta outros familiares do
indivíduo.
MD6 Conteúdo
Suicida
Indica se no depoimento existem relatos sobre
problemas relacionados a suicídio (pensamentos
suicidas, tentativas de suicídio, ou mesmo um suicídio
ocorrido com o parente ou amigo de quem escreveu o
depoimento).
Fonte: Autoria própria
Como pode ser visto na Figura 12, esses metadados são usados para indexar os
depoimentos, sendo armazenados na tabela depoimentos do Repositório do sistema. Note
que essa tabela do Repositório possui outros metadados, mas apenas esses cinco são usados
no processo de filtragem. Além disso, para possibilitar a filtragem por conteúdo, esses
metadados também aparecem no perfil do usuário (tabela perfil_usuario, Figura 12).
Este módulo calcula a similaridade entre usuário e depoimento com base no Algoritmo
1, descrito a seguir. Além dos dados do Repositório, o algoritmo recebe como entrada um
67
parâmetro que determina a quantidade mínima de depoimentos a serem retornados para o
usuário (QD). Nos experimentos realizados (Capítulo 5), esse parâmetro recebeu o valor QD
= 15. Contudo, se o algoritmo não encontrar uma quantidade de depoimentos relevantes que
satisfaça o valor de QD, ele vai recomendar o que conseguiu selecionar com uma boa taxa de
relevância. Julgamos que é melhor recomendar menos depoimentos, porém que sejam
relevantes, do que remendar muitos depoimentos, incluindo uma quantidade grande de
depoimentos que podem não interessar ao usuário. Vejam detalhes no algoritmo 1 a seguir.
Antes de ser apresentada ao usuário, a lista de Recomendações para o Usuário deve ser
ordenada por relevância. A função de ordenação será exemplificada depois da apresentação
do algoritmo.
68
Algoritmo 1 - Filtragem por Conteúdo
Passo 1: Lê o perfil do usuário e armazena em um vetor os seis metadados usados na
filtragem (Tabela 1).
Passo 2: Seleção dos depoimentos – o algoritmo realiza buscas no Repositório até obter pelo
menos QD depoimentos para formar a lista Recomendações para o Usuário
Passo 2.1: seleciona os depoimentos que casam perfeitamente com os metadados do usuário
(100% de casamento – match). Se o algoritmo encontrar uma quantidade satisfatória de
depoimentos (pelo menos igual ao parâmetro QD), vai para o Passo 3; Caso contrário, guarda
os depoimentos já recuperados na lista Recomendações para o Usuário e vai para o Passo 2.2.
Passo 2.2: seleciona os depoimentos que casam com os metadados sexo, faixa etária e doença
(que são os mais relevantes). Os depoimentos recuperados são anexados à lista
Recomendações para o Usuário. Se a lista atingir a QD desejada, vai para o Passo 3. Caso
contrário, vai para o Passo 2.3.
Passo 2.3: seleciona os depoimentos que casam com os metadados sexo e doença. Contudo,
neste subpasso, o algoritmo aceita casamento parcial da doença (caso o usuário tenha indicado
mais de uma doença no seu perfil, basta que uma delas seja citada no depoimento). Os
depoimentos recuperados são anexados à lista Recomendações para o Usuário. Vai para o
Passo 3.
Passo 3: Ordenação da lista de depoimentos selecionados
Passo 3.1: Calcula o valor de referência do perfil do usuário, somando os pesos de cada
metadado que está informado no perfil (veja exemplo de cálculo a seguir).
Passo 3.2: Calcula a relevância de cada depoimento para o usuário atual com base no valor de
referência do perfil desse usuário, levando também em conta os pesos associados aos
metadados.
Passo 3.3: Ordena a lista de Recomendações para o Usuário com base nos cálculos dos
Passos 3.1 e 3.2.
Passo 4: Apresenta a lista ordenada para o usuário através da tela Recomendações para o
Usuário.
A Figura 19 ilustra para melhor compreensão o Algoritmo 1.
69
Figura 19- Passo a Passo da Filtragem por Conteúdo
Fonte: Autoria Própria
4.1.1.4 Ordenação da lista de recomendações para o usuário
Como dito, o algoritmo ordena a lista de Recomendações para o Usuário por relevância. A
função de ordenação faz uma combinação entre os metadados do perfil do usuário e os
metadados dos depoimentos recuperados. Para auxiliar nessa ordenação, foram atribuídos
pesos a cada atributo, de acordo com o grau de importância de cada metadado para nosso
contexto (Tabela 10). Como já foi dito, não faria sentido recomendar para um jovem rapaz um
depoimento de uma mulher com depressão pós-parto. A Tabela 10 apresenta os pesos usados
para cada metadado neste projeto.
70
Tabela 10 - Pesos dos Metadados
Relevância Peso
MD1 Sexo 3
MD2 Faixa etária 2
MD3 Doença24
Cobertura total = peso 4,
Cobertura parcial = peso 1
MD4 Tratamento 1
MD5 Histórico
Familiar 1
Fonte: Autoria Própria
Passo 3.1 do Algoritmo 1
O cálculo do valor de referência do perfil do usuário é realizado somando-se os pesos
de cada metadado que está informado no perfil. É importante destacar novamente que nem
todos os campos do perfil do usuário são de preenchimento obrigatório. Por isso existem
diferenças nesse valor de referência de usuário a usuário. Se o usuário só preencher os campos
obrigatórios, seu perfil terá peso 9. Se preencher todos os campos, inclusive os opcionais
histórico familiar e tratamento, seu perfil terá peso 11. Note que o metadado conteúdo
suicida não entra nesse cálculo por se tratar de um metadado usado apenas para excluir
depoimentos que falam de suicídio.
A seguir, é apresentado um exemplo na prática. O Quadro 1 apresenta o perfil de um
usuário fictício.
Quadro 1 – Exemplo de Perfil do Usuário
Sexo: F
Faixa Etária: Jovem
Doenças: Depressão e Ansiedade
Tratamento: Não
Historio Familiar: Não
Conteúdo Suicida: NÃO deseja receber depoimentos com conteúdos de suicídio.
Fonte: Autoria Própria
Este perfil feminino totaliza 11 pontos como valor de referência, uma vez que todos os
campos foram preenchidos pela usuária.
24
MD Doença: cobertura total significa que o depoimento contém todas as doenças incluídas no perfil do
usuário; cobertura parcial é o caso contrário.
71
Passos 3.2 e 3.3 do Algoritmo 1
Com base no valor de referência do perfil dessa usuária, o algoritmo então calcula a
relevância de cada depoimento da base para ela (excluindo logo os depoimentos que falam em
suicídio, como solicitado pela usuária) – Passo 3.2.
Considere agora os depoimentos mostrados na Tabela 11(apenas os metadados).
Tabela 11 - Exemplo de Depoimentos (Metadados do Repositório)
Sexo Faixa
Etária Doença Tratamento
Histórico
Familiar
D1 F Jovem Depressão Sim Sim
D2 F Jovem Depressão e
Ansiedade Não Não
D3 M Adulto Depressão Sim Não
D4 F Jovem Depressão e
Ansiedade Não Sim
D5 M Jovem Depressão Sim Não
Fonte: Autoria Própria
O valor de relevância calculado para o Depoimento 1 é igual a 6.
Os metadados sexo e faixa etária coincidem com os valores informados no perfil da
usuária – total de pontos = 5.
O metadado doença coincide parcialmente com o perfil, pois não inclui ‘Ansiedade’ –
total de pontos = 1.
Os metadados tratamento e histórico familiar não coincidem com o perfil dela – total
de pontos = 0.
Assim, os valores de relevância de cada depoimento no exemplo da Tabela 3 para a
usuária em questão são:
D1 = [3,2,1,0,0] totalizando 6 pontos
D2 = [3,2,4,1,1] totalizando 11 pontos
D3 = [0,0,1,0,1] totalizando 2 pontos
D4 = [3,2,4,1,0] totalizando 11 pontos
D5 = [0,2,1,0,1] totalizando 4 pontos
Assim, temos a seguinte lista ordenada de depoimentos para recomendação:
72
Recomendações para o Usuário = (D2, D4, D1, D5, D3)
A Tabela 12 apresenta a lista ordenada por porcentagem de similaridade.
Tabela 12 - Lista de Depoimentos Ordenada por Relevância
D2 100%
D4 91,66%
D1 58,33%
D5 41,66%
D3 25%
Fonte: Autoria Própria
Por fim, a lista ordenada é apresentada ao usuário através da tela Recomendações
para o Usuário.
Dando continuidade ao processo de recomendação, a seguir, o sistema solicita ao
usuário uma avaliação para cada depoimento lido, com notas de 5 a 1 (Figura 15). Essas notas
serão armazenadas no repositório (tabela depoimentos_lidos) para posteriormente serem
usadas pelo módulo de Filtragem Colaborativa, visto a seguir.
4.4.2 Filtragem Colaborativa
O módulo por Filtragem Colaborativa faz recomendações com base nas avaliações dos
usuários a respeito dos depoimentos recomendados pelo módulo anterior. Como dito, as notas
variam entre 1 e 5, onde 1 significa que o usuário “não gostou” do depoimento e 5 significa
que ele “gostou muito” do depoimento.
A predição de notas é feita com base nos dados de usuários que avaliaram os mesmos
itens. Assim, um determinado usuário só irá receber recomendações de depoimentos bem
avaliados por outros usuários que também gostaram dos depoimentos bem avaliados por esse
usuário.
A predição de notas para itens ainda não avaliados pelo usuário é realizada com base
no algoritmo Weight Slope One (apresentado no Capítulo 2). Essas notas são usadas para
ordenar a lista de Recomendações para o Usuário. Após receber essa nova lista de
recomendações, o usuário pode avaliar os depoimentos, e essas notas passarão a fazer parte do
seu perfil (tabela depoimentos_lidos).
O módulo de filtragem colaborativa executa os seguintes passos (Algoritmo 2).
73
Algoritmo 2 –Filtragem Colaborativa
Passo 1: Quando um usuário realiza login, o algoritmo verifica se ele já avaliou algum
depoimento. Em caso afirmativo, o algoritmo passa para o Passo 2. Caso contrário, o módulo
encerra seu processamento, pois não há dados suficientes para fazer esse tipo de filtragem.
Passo 2: O algoritmo verifica se existem avaliações em comum com outros usuários. Em caso
afirmativo, o algoritmo Weight Slope One realiza o cálculo de predição de nota para os itens
que o usuário atual não avaliou, mas que foram avaliados por esses outros usuários
identificados acima, e passa para o Passo 3. Caso contrário, o módulo encerra seu
processamento, pois não há dados suficientes para fazer esse tipo de filtragem.
Passo 3: Os itens que receberam nota acima de 3 no passo anterior serão incluídos na lista de
Recomendações para o Usuário. Essa lista será naturalmente ordenada pela nota resultante da
predição feita no passo anterior, sendo em seguida apresentada ao usuário.
A Figura 20 explicita o Algoritmo 2.
Figura 20 - Passo a Passo da Filtragem Colaborativa
Fonte: Autoria Própria
Por exemplo, considere que um usuário X realizou as avaliações apresentadas na
Tabela 13.
74
Tabela 13 - Avaliações Usuário X
Usuário Depoimento Avaliação
X A 4
X B 5
Fonte: Autoria Própria
Baseado nessas avaliações, o sistema verifica que usuários também avaliaram esses
mesmos itens. A Tabela 14 apresenta a relação de usuários que têm avaliações em comum no
Repositório do sistema.
Tabela 14 - Depoimentos em comum entre usuários X, Y e Z
Usuário Depoimento A Depoimento B Depoimento C
X 4 5 ???
Y 5 2 4
Z 3 4 5
Fonte: Autoria Própria
Inicialmente, o algoritmo seleciona os depoimentos avaliados pelo usuário X, para
buscar no Repositório por usuários que também avaliaram esses depoimentos. No exemplo
acima, o algoritmo seleciona os depoimentos A e B, e encontra os usuários Y e Z com
avaliações em comum.
De posse dessas avaliações em comum, o algoritmo procura, nas avaliações feitas
pelos usuários Y e Z, depoimentos que usuário X não avaliou (no exemplo acima, temos o
depoimento C). A seguir, o algoritmo realiza a predição de nota para esse depoimento.
Para predizer a nota que o usuário X daria ao depoimentos C, o algoritmo Weight
Slope One primeiro calcula a diferença das notas dadas pelos usuários Y e Z ao depoimento C
em relação aos demais depoimentos avaliados (A e B).
A seguir, o algoritmo soma o resultado das diferenças das notas dos usuários Y e Z
(item por item), e por fim divide o valor resultante da soma pela quantidade de usuários que
avaliaram cada item. A Tabela 15 apresenta esses cálculos.
75
Tabela 15 - Cálculo das Diferenças para o Usuário X
Usuários Diferença
(C->A)
Soma das Diferenças
(C->A)
Nº Usuários
(C -> A) Divisão (C->A)
Y (4 – 5) = -1
((-1) + 2) = 1 2 (1 / 2) = 0,5
Z (5 – 3) = 2
Usuários Diferença
(C->B)
Soma das Diferenças
(C->B) Divisão (C->B)
Y (4 – 2) = 2
(2 + 1) = 3 2 (3 / 2) = 1,5
Z (5- 4) = 1
Fonte: Autoria Própria
A seguir, o algoritmo realizada a soma do resultado da divisão (Coluna Divisão (C-
>A) presente na Tabela 15) e a avaliação do Usuário X ao Depoimento A (Tabela 14) – ver
Tabela 8. Depois, o resultado dessa soma é multiplicado pela quantidade de usuários que
avaliaram o item C. Esse cálculo e repetido para cada depoimento avaliado pelo usuário X.
Por fim, os resultados de todas as multiplicações são somados, e depois o somatório é
dividido pela quantidade de usuários, e assim é obtida a predição da nota do Usuário X para o
depoimento C (ver Tabela 16).
Tabela 16 - Cálculo de Predição de Nota
Resultado Divisão (C -> A) +
pontuação de A
Somatório Anterior * QTD
Usuários
(0,5 + 4) = 4,5 (4,5 * 2) = 9
Result. Divisão (C -> B) + pontuação
de C
Somatório Anterior * QTD
Usuários
(1,5 + 5) = 6,5 (6,5 * 2) = 13
Somatório do resultado de todas multiplicações dividido pela quantidade
de usuários e avaliações realizadas
((9 + 13) / (2 + 2)) = 5,5
Fonte: Autoria Própria
Pelos cálculos ilustrados acima, a possível nota do usuário X para depoimento C é 5,5.
Como o sistema trabalha com uma escala de notas que varia de 1 a 5, qualquer nota acima de
5 é considerada como 5.
76
4.5 Considerações Finais
Neste capítulo, foi apresentado o REC-PSI, que foi desenvolvido para ajudar pessoas com
transtornos mentais a encontrarem depoimentos que possam ajudá-las a superar seus
problemas. Foi apresentada sua arquitetura geral do sistema, bem como seu funcionamento.
Vimos que o REC-PSI é um sistema de recomendação híbrido, pois utiliza duas
abordagens distintas de recomendação (filtragem baseada em conteúdo e filtragem
colaborativa). O capítulo apresenta ainda os algoritmos utilizados para implementar essas
duas abordagens de recomendação, incluindo exemplos ilustrativos.
No próximo capitulo, são apresentados os experimentos realizados para avaliar o
sistema, bem como os resultados obtidos.
77
5 EXPERIMENTOS E RESULTADOS
Este capítulo apresenta os experimentos realizados para avaliar os dois módulos do Sistema
de Recomendação, bem como os resultados obtidos. Ambos os módulos são avaliados com
base nas notas dadas pelos usuários aos depoimentos recomendados pelo sistema.
O capitulo está organizado em 4 seções. A seção 5.1 descreve a base de dados
utilizada nos experimentos. A seção 5.2 detalha o experimento realizado com o módulo de
Filtragem por conteúdo, e a seção 5.3 avalia o algoritmo Weight Slope One no nosso contexto
de uso (módulo de Filtragem colaborativa). A seção 5.4 apresenta comentários a respeito dos
resultados obtidos a partir dos experimentos.
5.1 Preparação dos Experimentos
Antes de dar início aos testes, foi necessário criar um corpus de depoimentos e também foi
preciso cadastrar usuários voluntários para avaliar os depoimentos recomendados.
O corpus usado nos experimentos é composto pelos depoimentos persistidos no
Repositório do sistema. Esses depoimentos foram coletados manualmente a partir de várias
fontes na Web, como já apresentado na seção 4.2.2 (veja exemplos de depoimentos no
Apêndice A).
O corpus conta com 300 depoimentos, indexados pelos seguintes metadados: sexo,
faixa etária, doença, tratamento, histórico familiar e conteúdo suicida.
Quanto à doença, 141 dos relatos são de pessoas com depressão, 67 relatos de pessoas
com depressão e ansiedade, 26 relatos são de pessoas com depressão e transtorno bipolar e 66
relatos são de depressão com outros transtornos ou com mais de 2 transtornos. A Figura 21
apresenta esses dados em um gráfico.
78
Figura 21 - Número de Depoimentos por Transtorno
Fonte: Autoria Própria
Quanto ao metadado sexo, a base de dados tem 173 relatos de pessoas do sexo
feminino, 113 relatos do masculino, e para 14 depoimentos não foi possível fazer a
identificação do sexo através da leitura do relato. A Figura 22 apresenta esses números em
porcentagem.
Figura 22 - Número de Depoimentos por Sexo
Fonte: Autoria Própria
Quando os dados são agrupados por faixa etária, tem-se 98 relatos de Jovens, 153
relatos de adultos, 15 relatos de idosos e 34 sem identificação da faixa etária. A Figura 23
apresenta um gráfico com essa porcentagem com base na faixa etária.
47%
22%
9%
22%
Depressão
Depressão e Ansiedade
Depressão e Transtorno Bipolar
Depressão e outros transtornos
57% 38%
5%
Feminino Masculino Não identificado
79
Figura 23 - Número de Depoimentos por Faixa Etária
Fonte: Autoria própria
Durante a coleta e leitura dos depoimentos, identificamos 84 relatos com referências
explícitas a suicídio (ver Figura 24).
Figura 24 – Número de Depoimentos com Conteúdo Suicida
Fonte: Autoria própria
Dando andamento à preparação dos experimentos, após a criação do corpus, os
usuários voluntários se cadastraram no sistema. Para esse experimento, contou-se com a
contribuição de 12 voluntários com os seguintes perfis: 6 são do sexo femininos e 6
masculinos; 4 são adultos, 8 jovens, e nenhum é idoso. Esse trabalho voluntário resultou em
um total de 183 avaliações, com notas variando entre 1 e 5. Essas notas foram usadas na
avaliação do desempenho do sistema, como veremos abaixo.
33%
51%
5%
11%
Jovem Adulto Idoso Não Identificado
28%
72%
Contém Conteúdo Não Contém
80
5.2 Experimento 1 - Avaliação da Filtragem Por Conteúdo
Para avaliar esse módulo, utilizou-se as notas dadas pelos doze voluntários, que totalizam 183
avaliações. Para exemplificar o cálculo de desempenho desse módulo, foi selecionado um dos
12 usuários, e seus resultados são apresentados na Tabela 17. O APÊNDICE B – Resultado
do Módulo de Filtragem por Conteúdo de todos os Usuários Voluntários traz as tabelas de
resultados de todos os 12 usuários voluntários.
São apresentadas na Tabela 17 as notas dadas pelo usuário aos depoimentos, e em
seguida as notas geradas automaticamente pelo sistema. As notas variam de 5 a 1. O critério
para a geração da nota do sistema foi:
Nota 5: casamento (match) perfeito de todos os metadados relevantes (sexo, faixa
etária, doença, histórico familiar e tratamento) do usuário com os do depoimento;
Nota 4: casamento perfeito dos metadados sexo, faixa etária e doença;
Nota 3: casamento perfeito sexo e doença;
Nota 2: casamento perfeito do metadados sexo e casamento parcial do metadado
doença (quando o depoimento contém ao menos uma doença igual do usuário);
Nota 1: metadado doença não coincide entre usuário e depoimento.
Esses critérios para gerar as notas com valores de 5 a 1 foram estabelecidos para que
fosse possível comparar a nota do sistema com a nota dada pelo usuário. Cada nota reflete a
relevância de cada metadado presente no depoimento. Para que o sistema atribua a nota 5, por
exemplo, é necessário o casamento perfeito de todos os metadados do depoimento com o
perfil do usuário. Assim, cada nota atribuída foi ajustada conforme a presença dos metadados
e a relevância de cada metadado.
81
Tabela 17 – Resultado do Experimento 1 para um usuário
Lista
Recomendada
Nota
dada pelo
Usuário
Nota dada
pelo
Sistema
𝒅𝒊 =
nota usuário -
nota do sistema
𝒅𝒊²
96 5 4 1 1
105 4 4 0 0
108 5 4 1 1
139 5 5 0 0
164 5 5 0 0
166 4 5 -1 1
168 4 4 0 0
172 5 4 1 1
176 5 2 3 9
177 5 4 1 1
186 4 2 2 4
224 4 4 0 0
227 5 5 0 0
249 4 4 0 0
261 4 2 2 4
275 3 2 1 1
279 5 4 1 1
289 4 4 0 0
291 4 5 -1 1
Fonte: Autoria Própria
Para sumarizar os resultados da tabela, utilizamos o erro RMSE (Root Mean Sqared
Error)25
, dado pela Equação 3 abaixo:
Equação 3 - Root Mean Sqared Error (RMSE)
RMSE = √1
N∑ di
2
i
O RMSE é obtido pela raiz quadrada da média dos erros quadrados, calculada a partir
da média dos erros vistos na quinta coluna da tabela (di²). N é o número de avaliações,
considerando conjunto de itens. O resultado do cálculo do erro RMSE das avaliações de todos
os usuários para o módulo de filtragem por conteúdo é apresentado na Tabela 18.
.
25
RMSE = https://en.wikipedia.org/wiki/Root-mean-square_deviation
82
Tabela 18 – Resultado Experimento 1 para todos os usuários
Usuário Resultado
1 1,37
2 1
3 1,66
4 1,62
5 1,29
6 1,83
7 1,81
8 1,7
9 1,41
10 1,8
11 1,15
12 2,41
Média 1,588
Fonte: Autoria Própria
Como pode ser visto na Tabela 18, o desempenho do módulo de Filtragem por
Conteúdo pode ser considerado satisfatório (apesar do resultado fraco para o usuário 12), pois
o erro médio resultante foi de 1.588. Considerando que as notas vão de 1 a 5, esses valores
podem variar entre 0 (coincidência total entre notas do usuário e do sistema) e 4 (distância
máxima entre as notas).
5.3 Experimento 2 - Avaliação da Filtragem Colaborativa
Para avaliar esse segundo módulo, também foi calculado o erro médio entre as notas dadas
pelos usuários e as notas calculadas pelo sistema. Contudo, como visto na seção 4.4.1, esse
módulo utiliza o algoritmo Weight Slope One para predizer notas. A seguir, é descrito
brevemente o método utilizado na realização desse experimento.
Inicialmente, escolhemos um usuário que tivesse avaliado itens também avaliados por
outros usuários, e então guardamos esses itens em uma lista. A seguir, escolhemos um item
dessa lista, e foi “escondida” a nota dada pelo usuário alvo no banco de dados (Repositório do
sistema). Assim, quando executamos o sistema, ele não encontra essa nota no banco,
realizando então o cálculo de predição.
Esse processo foi repetido para todos os itens da lista de depoimentos que possuíam
avaliações do usuário alvo e de pelo menos mais um usuário da base. Os resultados estão
listados na Tabela 19. Os dados apresentados nessa tabela são do mesmo usuário selecionado
para o experimento do módulo anterior (seção 5.2).
83
Esse procedimento foi repetido para cada um dos 12 usuários voluntários. O
APÊNDICE C – Resultado do Módulo de Filtragem Colaborativa de todos os Usuários
Voluntários traz as tabelas de resultados para todos os 12 usuários.
Para esse experimento foram utilizadas 109 avaliações. O número foi reduzido devido
à restrição de ter que haver depoimentos que tivessem mais de uma avalição feita por usuários
diferentes.
Tabela 19 – Resultado do Experimento 2 para um usuário
Lista
Recomendada
Nota dada
pelo
Usuário
Nota dada
pelo
Sistema
𝒅𝒊 =
nota usuário -
nota do sistema
𝒅𝒊²
96 5 4,889 0,111 0,0123
105 4 5 -1 1
108 5 4,9 0,1 0,01
139 5 2,625 2,375 5,641
164 5 5 0 0
166 4 3,778 0,222 0,049
168 4 5 -1 1
172 5 3,25 1,75 3,062
176 5 2,7 2,3 5,29
177 5 3,25 1,75 3,062
186 4 5 -1 1
224 4 4,45 -0,45 0,202
227 5 4,555 0,444 0,197
261 4 3,5 0,5 0,25
275 3 4,833 -1,833 3,361
291 4 5 -1 1
Fonte: Autoria Própria
Os resultados do cálculo do erro RMSE para todos os usuários do módulo de filtragem
colaborativa são apresentados na Tabela 20.
84
Tabela 20 - Resultado Experimento 2 para todos os usuários
Usuário Resultado
1 1,35
2 0,94
3 0,8
4 1,42
5 0,67
6 1,93
7 1,73
8 0,69
9 0,78
10 2,46
11 1,25
12 1,08
Média 1,258
Fonte: Autoria Própria
Como no caso anterior, julgou-se que o desempenho do módulo de Filtragem
Colaborativa também é satisfatório (apesar do resultado fraco para o usuário 10). Ainda
assim, a média do erro RMSE foi 1,258, considerada uma taxa de erro aceitavél para uma
escala de notas de 5 a 1.
5.4 Discurssão
Para realização dos experiementos, alguns fatores contribuíram para o pequeno número de
voluntários (12). O principal problema foi o fato de os depoimentos serem em inglês. Nem
todos os convidados a realizar avaliações tinham bom conhecimento da língua, e então
desistiram de participar do experimento. O ideal teria sido trabalhar com depoimentos em
Português, mas, como já dito, isso não foi possível nesta fase da pesquisa.
O número de perfis criados (12 usuários), a variedade de tipos de perfis e o número de
depoimentos na base (300) impactaram no resultado dos experimentos. Esse impacto negativo
foi mais sentido na avaliação do módulo de Filtragem Colaborativa, pois se o número de
avaliações em comum fossem maiores, a precisão do algoritmo seria melhor, isto porque para
essa técnica funcionar bem, ela necessita de uma grande quantidade de usuários e de
avaliações em comum na base de dados.
Entretanto, considerando que o número 12 voluntários, e o número reduzido de
depoimentos na base foi um aspecto positivo. Note que se a base tivesse um volume muito
85
grande de depoimentos, teríamos tido o problema de esparsidade de avaliação, isto é, um
baixo número de avaliações em comum para os mesmos item (principalmente devido à
variedade de perfis). E assim o algoritmo não conseguiria predizer com boa precisão a
avaliação do usuário.
Por fim, apesar dos desafios, pode-se afirmar que os resultados obtidos nos
experimentos são satisfatórios, como demonstrado pelo erro RMSE calculado para ambos os
experimentos.
86
6 CONCLUSÃO
Esse trabalho de mestrado teve como foco o desenvolvimento do REC-PSI, um Sistema de
Recomendação de depoimentos para pessoas com transtornos mentais. Como visto, o REC-
PSI possui dois módulos de recomendação baseados em técnicas distintas, detalhados ao
longo do texto: filtragem baseada em conteúdo e filtragem colaborativa.
Os resultados dos experimentos com ambos os módulos foram bastante satisfatório,
levando em conta as dificuldades de obtermos depoimentos e voluntários para avalia-los.
6.1 Principais Contribuições
São destacadas a seguir as principais contribuições do trabalho realizado e apresentado nesta
Dissertação de mestrado:
Coleta e etiquetagem de 300 depoimentos de pessoas (ou parentes /amigos de pessoas)
com algum tipo de transtorno mental, persistidos em um repositório de dados;
Desenvolvimento de um Sistema de Recomendação híbrido para um domínio pouco
explorado (transtornos mentais);
Construção de um protótipo para web que oferece ao usuário interfaces de
cadastramento, visualização avaliação de depoimentos, e de apresentação de
recomendações personalizadas.
6.2 Limitações
Apresentamos, a seguir, algumas limitações deste trabalho:
Não encontramos uma quantidade satisfatória de depoimentos com relatos positivos
em Português, o que inviabilizou a criação do sistema para a língua Portuguesa.
Os depoimentos coletados estão em inglês, o que limitou o número de voluntários para
avaliá-los. Outro fator negativo é que os depoimentos são longos, requerendo em um
tempo longo para a realização da avaliação.
Não conseguimos voluntários diagnosticados com os transtornos mentais cobertos
pelos depoimentos. Logo, o sistema não foi avaliado por pessoas que de fato se
identificariam com esses depoimentos.
87
6.3 Trabalhos Futuros
O desenvolvimento de um Sistema de Recomendação não é uma tarefa trivial, exigindo tempo
e dedicação. Assim, esse trabalho deixa em aberto possíveis extensões, que podem ser
implementadas para melhorar o trabalho aqui relatado. Dentre essas sugestões, destacamos:
A automatização do módulo de coleta de depoimentos da internet, a fim de ampliar o
repositório;
A extensão do conjunto de metadados utilizados, para melhorar a captura do contexto
do usuário (maior especificidade);
A tradução dos depoimentos para a língua portuguesa, a fim de ampliar nosso público;
Disponibilização de um espaço para que o usuário possa relatar seus desafios diários
(isto é, criar seu próprio depoimento);
A extensão desse Sistema de Recomendação para um rede social de saúde, para então
melhorar a experiência do usuário, que poderá se comunicar com outros usuários que
passaram ou passam pela mesma experiência que ele, com a inclusão também dos
profissionais de saúde para o compartilhamento de experiências;
Implementar e disponibilizar o Sistema para smartphones, para que mais usuários
possas utilizá-lo;
Avaliar o sistema com pessoas diagnosticadas com algum transtorno mental;
Realizar validação do sistema por especialistas.
88
REFERÊNCIAS
ADAMAVICIUS G. e TUZHILIN A. Toward the Next Generation of Recommender
Systems: A Survey of the State-of-the-art and Possible extensions. [Periódico]. - New York :
IEEE Transactions on Knowledgeand Data Engeneering, 2005. - Vol. 17. - pp. 734-749.
Alencar Antonio Juarez e Schimitz Eber Assis Análise de risco para gerência de projetos
[Livro]. - Rio de Janeiro : Brasport, 2009.
BAEZA-YATES Ricardo e RIBEIRO-NETO Berthier. Recuperação de Informação:
Conceitos e Tecnologia das Máquinas de Busca. [Livro] / ed. 2 / trad. Leandro Krug Wives
Viviane Pereira Moreira. - Porto Alegre : [s.n.], 2013. - ISBN 978-85-8260-049-8 : pp. 297-
298.
BASU Chumki, HIRSH Haym e COHEN William. Recommendation as Classification:
Using Social and Content-Based Information in Recommendation [Periódico]. - [s.l.] : AAAI-
98 Proceedings 1998, 1998.
BELKIN J. N e CROFT B. W. Information Retrieval and Information Filtering
[Periódico]. - [s.l.] : ACM, 1992. - 12 : Vol. 35.
BELKIN Nicholas J. e CROFT W. BRUCE. Information filtering and information
retrieval1; two sides of the same coin? [Periódico]. - [s.l.] : Commun. ACM, 1992. - pp. 29-
38.
BURKE Robin. Hybrid Recommender Systems:Survey and experiments. User modeling and
user-adapted interaction [Periódico]. - 2002. - Vol. 12. - pp. 331-370.
CARREIRA R. [et al.] Evaluating adaptive user profiles for news classification. [Artigo]. -
New York, NY, USA. : IUI ’04: Proceedings of the 9th nternational conference on Intelligent
user interfaces, 2004. - pp. 206-212.
CASTILLO Ana Regina GL [et al.] Transtono de ansiedade [Periódico] // Revista Brasileira
de Psiquiatria. - 2000. - pp. 19-23.
CAZELLA Sílvio César et al. Recomendação de objetos de aprendizagem empregando
filtragem colaborativa e competências. [Periódico]. - [s.l.] : Brazilian Symposium on
Computers in Education (Simpósio Brasileiro de Informática na Educação-SBIE), 2009. -
Vol. 1.
D’ALFONSO S. [et al.] Artificial Intelligence-Assisted Online Social Therapy for Youth
Mental Health. [Periódico]. - [s.l.] : Frontiers in Psychology, 8, 796. , 2017.
DIAS Álvaro Machado [et al.] Whole field tendencies in transcranial magnetic stimulation:
A systematic review with an text mining [Periódico] // Asian Journal of Psychiatry. - 2011. -
pp. 107-112.
89
EYSENBACH Gunther. Medicine 2.0: Social Networking, Collaboration, Participation,
Apomediation, and Openness. [Periódico]. - [s.l.] : Journalof Medical Internet Research 10.3 ,
2008.
FIGUEIRA Ivan e MENDLOWICZ Mauro. Diagnóstico do transtorno de estresse
Diagnóstico do transtorno de estresse [Periódico] // Revista Brasileira de Psiquiatria. - 2003. -
pp. 12-16.
GARCIA C.A. e FROZZA R. Sistema de recomendação de produtos utilizando mineração
de dados [Periódico]. - [s.l.] : TECNO-LÓGICA, 2013. - Vol. 17.
GONG An [et al.] A Slope One and Clustering based Collaborative Filtering Algorithm
[Periódico]. - [s.l.] : International Journal of Hybrid Information Technology., 2016. - Vol.
9. - pp. 437-446.
GONZALEZ Christina Hajaj. Transtorno obsessivo-compulsivo [Periódico] // Revista
Brasileira de Psiquiatria. - 1999. - pp. 29-32.
HE Qiwe, VELDKAMP Bernard P. e VRIES Theo de. Screening for posttraumatic stress
disorder using verbal features in self narratives: A [Periódico] // Psychiatry Research. -
2012. - pp. 441-447.
HERLOCKER J.L. Understanding and Improving Automated Collaborative Filtering
Systems [Periódico]. - Minnesota : Tese de Doutorado University of Minnesota, 2000.
HIRSCH Tad [et al.] Designing Contestability: Interaction Design, Machine Learning, and
Mental Health [Conferência] // DIS '17 Proceedings of the 2017 Conference on Designing
Interactive Systems. - Edinburgh, United Kingdom : ISBN: 978-1-4503-4922-2
doi>10.1145/3064663.3064703, 2017. - pp. 95-99.
IBM Made in IBM Labs: IBM Reinvents the Patient Portal [Online] // IBM. - 03 de Março de
2011. - 14 de Julho de 2017. - https://www-03.ibm.com/press/us/en/pressrelease/33944.wss.
LATTIE Emily G. [et al.] Uptake and usage of IntelliCare: A publicly available suite of
mental health and well-being apps [Periódico] // Internet Interventions. - 2016. - Vol. 4. - pp.
152-158.
LEMIRE D. e MACLACHLAN A. Slope One Predictors for Online Rating-Based
Collaborative Filtering [Periódico]. - [s.l.] : Proceedings of the 2005 SIAM International
Conference on Data Mining. Society for Industrial and Applied Mathematics, 2005. - pp. 471-
475.
LIDEN Ricardo. Técnicas de Agrupamento [Livro]. - [s.l.] : Revista de Sistema de
Informação da FSMA, 2009. - Vol. 4 : pp. 18-36.
LOPS F. Ricci et al. Recommender Systems Handbook [Periódico]. - [s.l.] : Springer
Science+Bussiness Media, LLC, 2011.
90
PATIENTSLIKEME We've partnered with 500,000+ people living with 2700+ conditions
on 1 mission: to put patients first [Online] // PatientsLikeMe. - 2017. - 12 de JULHO de
2017. - https://www.patientslikeme.com/about.
POO D., CHANG B. e GOH J.M. A hybrid approach for user profiling [Artigo]. -
Washington, DC, USA. : HICSS’03: Proceedings of the 36th Annual Hawaii International
Conference on System Sciences (, 2003.
QUEIROZ S.R.M. Group Recommendation Strategies Based on Collaborative filtering.
[Periódico]. - [s.l.] : Dissertação de Mestrado, Universidade Federal de Pernambuco, 2003.
REATEGUI Eliseo Berni e CAZELLA Sílvio César. Sistemas de recomendaçao
[Periódico]. - [s.l.] : XXV Congresso da Sociedade Brasileira de Computação., 2005. - pp.
306-348.
RESNICK P. e VARIAN H. R. “Recommender Systems” [Periódico]. - [s.l.] :
Communications of the ACM, 1997. - Vol. Volume 40 Issue 3.
SALTON e G. Some research problems in automatic information retrieval. [Periódico] / ed.
ACM. - New York, NY, USA : Proceedings of the 6th annual international ACM SIGIR
conference on Research and development in information retrieval (SIGIR '83), 1983. - pp.
252-263.
SBIE Conheça o Transtorno de Ansiedade Generalizada (TAG) e como identificar os
sintomas [Online] // Sociedade Brasileira de Inteligência Emocional. - 17 de Junho de 2016. -
20 de Julho de 2017. - http://www.sbie.com.br/blog/conheca-o-transtorno-de-ansiedade-
generalizada-tag-e-como-identificar-os-sintomas/.
SBIE O que é uma pessoa bipolar e como saber se sou uma? [Online] // Sociedade Brasileira
de Inteligencia Emocional. - 26 de Fevereiro de 2016. - 20 de Julho de 2017. -
http://www.sbie.com.br/blog/o-que-e-uma-pessoa-bipolar-e-como-saber-se-sou-uma/.
SONG Insu [et al.] A Health Social Network Recommender System. [Periódico]. -
Wollongong- Australia : 14th International Conference, PRIMA 2011,, 2011.
SWAN Melanie. Emerging Patient-Driven Health Care Models: An Examination of Health
Social Networks, Consumer Personalized Medicine and Quantified Self-Tracking
[Periódico]. - [s.l.] : Int. J. Environ. Res. Public Health, 2009.
WEITZEL Leila [et al.] Proposta de métricas de avaliação de qualidade da informação
médica para Sistemas de Recomendação baseados no perfil do usuário [Periódico]. - Porto
Alegre : Anais dos Workshops SALUS/CYTED-CNPq, PROSUL-CNPq AvalSaúde e
SticAmSUD-CAPES, 2010.
WHO Depression [Online] // World Health Organization. - Fevereiro de 2017. - 21 de Julho
de 2017. - http://www.who.int/mediacentre/factsheets/fs369/en/.
91
WHO Mental health [Online] // World Health Organization. - 21 de Julho de 2017. - 21 de
Julho de 2017. - http://www.who.int/mental_health/management/en/.
YU Liang-Chih [et al.] Mining association language patterns using a distributional semantic
model [Periódico] // Journal of Biomedical Informatics . - 2011. - pp. 509–518.
92
APÊNDICE A – Exemplos de Depoimentos
Depoimento retirado do site beyondblue26
Caroline
“As the behaviours escalated, we began to realise that our child needed immediate assistance
from a health professional. “
My son is 16. He is a beautiful, empathic, popular, funny, whip-smart, athletic young man.
However, his depression and anxiety is less than beautiful. In fact it is ugly, and mean, and at
times relentless. Some months ago my beautiful son, decided that he had had enough of the
silent, constant emotional pain that came with feeling less than he felt he should be. Ironically
his suicidal thoughts snuck up after a soccer match where he had scored 3 goals - and led his
team to victory.
I guess I can forgive myself now for assuming that he might have been feeling positive,
feeling that for once he was enough. How wrong we were. After the match, my son went into
his room, and shut the door. He skipped dinner, which was not unusual, however his
increasing level of agitation was something I had never witnessed before. My child was
restless, angry, and sullen. The pain and desperation in his eyes was something that I will
never forget. It was vastly distressing to watch at the time, and even now, as I type, I feel
immense sadness.
As the behaviours escalated, we began to realise that our child needed immediate assistance
from a health professional. As I sat with our beautiful boy, talking calmly and quietly, my
husband went into another room and called a psychiatrist who gave us CAT team details. Our
son spoke also with the psychiatrist, who confirmed with us that his depression had really
‘kicked in’.
Will had recently been prescribed medication, and his psychiatrist told us that for this
particular crisis, we should increase it to a level where he might feel sedation or calm. We
thought about the logistics of driving our son to the hospital, but we were not sure that one of
us alone could get him there safely, we have other younger children that we couldn’t leave at
home, nor did we want to bring them and expose them to the distressing behaviour of their
26
https://www.beyondblue.org.au/connect-with-others/personal-stories/story/caroline
93
brother. We removed all his electronic devices with Internet access, and hid anything that we
thought he could use to harm himself.
That night as I continued to talk quietly to him; I reassured him that if the pain got too bad we
always have options, we could take him to hospital, or we could organise an emergency ‘at
home assessment’. I told him the story of how we had loved him even before he was born,
and that we loved him now, more than he could ever imagine. Fortunately he fell asleep as we
talked, and I lay on the floor at the end of his bed until sunrise.
Will continues to see a therapist, and although he still has some rough patches, he is getting
better each day. I think as parents, we are forever altered by the experience; we practice self-
care, and are learning to be kind on ourselves, and our parenting limitations or abilities.
Depoimento 2 retirado do site Time to Change27
Travelling through the other side of depression, there’s a sudden realisation that the end of the
tunnel, the road to recovery, is achievable.
An only child, dealing with family illness proved tough – even though, at the time, I thought I
was dealing with the stress. Both parents and my wife going through serious illnesses (luckily
all is well with all) and both remaining grandparents passing at wonderful ages (93 and 101!),
it seems all of this piled up on me.
I am a secondary school teacher and, at the time, worked in a school which was losing
control. Students bullying staff was commonplace. No support from senior staff made me
physically ill. I changed schools – the obvious problem solver?
Yet, bullying continued in the new school. Not from students, but from senior staff. Stress is
shown physically in my eczema. My GP even treated me for scabies; such were the severity
of the marks all over my back. My GP wanted to see me two weeks later: for reasons I was
unaware of. Depression.
He diagnosed me. I took the prescribed medication and attended ten, wonderful, counselling
sessions.
Yet, bulling continued. Senior staff had no idea – and didn’t want to know – about my illness.
One even dismissing it as “It’s just anxiety...I even wake up in the middle of the night
thinking about work.” This ignorance made me feel even worse.
27
http://www.time-to-change.org.uk/blog/workplaces-need-understand-healing-depression-takes-time
94
My union and GP recommended long-term sickness. I spent this sleeping in darkness until
mid-afternoon, each day. Leaving the house proved difficult. But I wanted to leave the house,
go back to work, go back to reality.
The school had a ‘get-rid’ attitude and offered ‘staged’ support. In my state, I could see
though this, luckily. But, I had to go through the motions with union support and ultimately
was dismissed from my job due to ‘Ill-health capability’.
I had to question: if I was in a car accident, broke my leg, had complications with the
recovery and healing process, would the school go through the ‘Ill-health capability’
procedure? Of course not. They would understand the recovery problems and understand time
is required to heal. Depression requires time – but who understands that? And how much
time? There is no answer to that question.
I was dismissed December 2015 – took a few months recovery/reality time – and signed up
with an agency who got me a wonderful job in a school from April to July. Suddenly, the end
of the tunnel appears. A school with a human ethos. A supporting network. Reality exists.
Recovery is happening. It takes time. It takes support. My family, in-laws, my wife, friends,
were all amazing. I am fortunate to have had that. I hid a lot. Speaking is the answer. Finding
who to speak to is the most difficult. Avoid the stigma, dismiss the ignorance, and find
understanding – it is there, somewhere; recovery happens in your own time. Discrimination is
worrying still there in the 21st Century and this needs to be constantly challenged.
95
APÊNDICE B – Resultado do Módulo de Filtragem por Conteúdo de todos os Usuários
Voluntários
Veremos aqui as tabelas de cálculo do erro quadrado médio da predição do módulo de
filtragem por conteúdo para cada usuário voluntário (Capítulo 5). Para o nosso caso, esses
valores podem variar entre 0 (coincidência total entre notas do usuário e do sistema) e 4
(distância máxima entre as notas). Por fim, temos a tabela consolidada que já foi apresentada
no Capítulo 5 (Tabela 18).
Tabela 21 - Erro da filtragem por conteúdo para o Usuário 1
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
6 3 5 -2 4
11 2 2 0 0
62 2 4 -2 4
64 4 4 0 0
65 5 5 0 0
69 3 5 -2 4
72 4 5 -1 1
78 2 4 -2 4
98 5 4 1 1
140 5 5 0 0
181 5 4 1 1
223 2 5 -3 9
240 5 5 0 0
243 5 5 0 0
260 3 4 -1 1
265 5 5 0 0
267 3 5 -2 4
272 4 5 -1 1
Média 1,89
Raiz
quadrada 1,37
96
Tabela 22 - Erro da filtragem por conteúdo para o Usuário 2
Depoimentos
recomendados
Avaliações
do Usuário
Predição
do Sistema
di di²
6 5 4 1 1
11 4 2 2 4
64 3 4 -1 1
72 5 4 1 1
78 4 4 0 0
98 5 4 1 1
140 5 4 1 1
181 5 4 1 1
260 5 4 1 1
293 2 2 0 0
294 2 2 0 0
Média 1,00
Raiz
quadrada 1,00
97
Tabela 23 – Erro da filtragem por conteúdo para o Usuário 3
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
5 3 4 -1 1
14 4 2 2 4
19 4 4 0 0
35 2 2 0 0
63 5 3 2 4
68 4 5 -1 1
77 3 2 1 1
79 5 3 2 4
86 4 4 0 0
89 5 2 3 9
99 4 2 2 4
118 5 4 1 1
134 4 4 0 0
135 5 2 3 9
141 5 4 1 1
160 5 4 1 1
173 4 2 2 4
174 4 4 0 0
175 5 4 1 1
234 4 2 2 4
282 5 4 1 1
283 5 2 3 9
297 3 5 -2 4
Média 2,74
Raiz
quadrada 1,66
98
Tabela 24 - Erro da filtragem por conteúdo para o Usuário 4
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
63 4 5 -1 1
73 5 4 1 1
79 3 5 -2 4
81 4 2 2 4
83 2 4 -2 4
102 3 4 -1 1
130 5 2 3 9
142 5 4 1 1
143 5 2 3 9
154 4 2 2 4
161 4 5 -1 1
162 4 4 0 0
165 4 4 0 0
221 5 2 3 9
245 4 5 -1 1
246 4 4 0 0
247 4 4 0 0
276 5 4 1 1
292 5 5 0 0
Média 2,63
Raiz
quadrada 1,62
99
Tabela 25 - Erro da filtragem por conteúdo para o Usuário 5
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
5 4 5 -1 1
19 3 5 -2 4
68 3 4 -1 1
86 4 5 -1 1
134 4 5 -1 1
141 4 5 -1 1
282 4 5 -1 1
283 4 2 2 4
297 3 4 -1 1
Média 1,67
Raiz
quadrada 1,29
Tabela 26 – Erro da filtragem por conteúdo para o Usuário 6
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
96 3 4 -1 1
105 4 4 0 0
108 2 4 -2 4
115 4 4 0 0
168 5 4 1 1
172 1 4 -3 9
176 2 2 0 0
177 1 4 -3 9
186 5 2 3 9
224 5 4 1 1
261 3 2 1 1
264 3 4 -1 1
268 2 4 -2 4
275 5 2 3 9
284 5 4 1 1
Média 3,33
Raiz
quadrada 1,83
100
Tabela 27– Erro da filtragem por conteúdo para o Usuário 7
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
76 3 2 1 1
91 1 2 -1 1
96 4 2 2 4
139 1 2 -1 1
147 3 2 1 1
159 1 5 -4 16
164 4 2 2 4
166 2 2 0 0
170 1 3 -2 4
186 3 2 1 1
189 2 2 0 0
194 1 3 -2 4
197 1 4 -3 9
199 1 2 -1 1
227 5 2 3 9
261 1 2 -1 1
275 1 2 -1 1
291 1 2 -1 1
Média 3,28
Raiz
quadrada 1,81
Tabela 28 – Erro da filtragem por conteúdo para o Usuário 8
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
5 3 4 -1 1
68 2 5 -3 9
86 3 4 -1 1
99 2 2 0 0
134 3 4 -1 1
141 5 4 1 1
282 4 4 0 0
283 4 2 2 4
297 2 5 -3 9
Média 2,89
Raiz
quadrada 1,70
101
Tabela 29– Erro da filtragem por conteúdo para o Usuário 9
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
5 3 4 -1 1
19 3 4 -1 1
68 2 4 -2 4
118 3 4 -1 1
160 5 4 1 1
174 4 4 0 0
175 4 4 0 0
196 4 2 2 4
234 4 2 2 4
297 2 4 -2 4
Média 2,00
Raiz
quadrada 1,41
Tabela 30– Erro da filtragem por conteúdo para o Usuário 10
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
105 3 4 -1 1
108 5 4 1 1
115 5 4 1 1
122 4 4 0 0
164 4 5 -1 1
166 2 5 -3 9
168 3 4 -1 1
172 3 4 -1 1
176 1 2 -1 1
177 3 4 -1 1
224 1 4 -3 9
227 1 5 -4 16
291 5 5 0 0
Média 3,23
Raiz
quadrada 1,80
102
Tabela 31– Erro da filtragem por conteúdo para o Usuário 11
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
96 5 4 1 1
105 4 4 0 0
108 5 4 1 1
139 5 5 0 0
164 5 5 0 0
166 4 5 -1 1
168 4 4 0 0
172 5 4 1 1
176 5 2 3 9
177 5 4 1 1
186 4 2 2 4
224 4 4 0 0
227 5 5 0 0
249 4 4 0 0
261 4 2 2 4
275 3 2 1 1
279 5 4 1 1
289 4 4 0 0
291 4 5 -1 1
Média 1,32
Raiz
quadrada 1,15
103
Tabela 32– Erro da filtragem por conteúdo para o Usuário 12
Depoimentos
recomendados
Avaliações
do Usuário
Predição do
Sistema di di²
26 5 5 0 0
35 1 4 -3 9
40 4 5 -1 1
81 3 2 1 1
83 4 2 2 4
93 5 2 3 9
100 5 2 3 9
102 5 2 3 9
104 5 2 3 9
112 5 5 0 0
142 5 2 3 9
161 5 2 3 9
162 5 2 3 9
163 4 2 2 4
214 3 2 1 1
233 1 4 -3 9
242 5 2 3 9
246 2 2 0 0
259 5 2 3 9
Média 5,79
Raiz
quadrada 2,41
104
Tabela 33 - Resultado Final do Experimento 1 para todos os usuários (Réplica da tabela 18)
Usuário Resultado
1 1,37
2 1
3 1,66
4 1,62
5 1,29
6 1,83
7 1,81
8 1,7
9 1,41
10 1,8
11 1,15
12 2,41
Média 1,588
Como visto, o erro médio ficou bem abaixo do valor máximo (4), o que nos indica um
bom desempenho do módulo 1. O maior erro foi obtido para o usuário 12. Observando-se a
tabela 25, podemos ver que esse foi o caso de maior disparidade entre a avaliação do sistema
e do usuário, puxando o erro do sistema para cima.
105
APÊNDICE C – Resultado do Módulo de Filtragem Colaborativa de todos os Usuários
Voluntários
Veremos aqui as tabelas de cálculo do erro quadrado médio da predição do módulo de
filtragem colaborativa para cada usuário voluntário (Capítulo 5). Por fim, temos a tabela
consolidada que já foi apresentada no Capítulo 5 (Tabela 20).
Relembramos que nesse experimento temos uma quantidade bem menor de avaliações
para comparar, pois o sistema só recomenda depoimentos que foram avaliados por pelo
menos um usuário.
Tabela 34– Erro da filtragem colaborativa para o Usuário 1
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
6 3 4,25 -1,25 1,56
64 4 2 2 4,00
98 5 4 1 1,00
181 5 4 1 1,00
260 3 4,25 -1,25 1,56
Média 1,83
Raiz
quadrada 1,35
Tabela 35 – Erro da filtragem colaborativa para o Usuário 2
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
64 3 4,83 -1,83 3,36
72 5 4,8 0,2 0,04
98 5 5 0 0,00
140 5 5 0 0,00
260 5 4 1 1,00
Média 0,88
Raiz
quadrada 0,94
106
Tabela 36 – Erro da filtragem colaborativa para o Usuário 3
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
5 3 4,21 -1,208 1,460
19 4 3,56 0,438 0,191
68 4 2,96 1,042 1,085
79 5 4,00 1,000 1,000
86 4 4,25 -0,250 0,063
99 4 2,88 1,125 1,266
118 5 3,63 1,375 1,891
134 4 4,25 -0,250 0,063
174 4 5,00 -1,000 1,000
175 5 4,75 0,250 0,063
234 4 4,88 -0,875 0,766
282 5 4,69 0,313 0,098
283 5 4,69 0,313 0,098
297 3 3,08 -0,083 0,007
Média 0,65
Raiz
quadrada 0,80
Tabela 37 – Erro da filtragem colaborativa para o Usuário 4
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
79 3 4 -1,000 1,000
81 4 2 2,000 4,000
83 2 4 -2,000 4,000
102 3 4,833 -1,833 3,361
142 5 4,500 0,500 0,250
161 4 5,000 -1,000 1,000
162 4 4,667 -0,667 0,444
Média 2,01
Raiz
quadrada 1,42
107
Tabela 38 – Erro da filtragem colaborativa para o Usuário 5
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
5 4 3,000 1,000 1,000
19 3 3,727 -0,727 0,529
68 3 3,000 0,000 0,000
86 4 3,467 0,533 0,284
134 4 3,467 0,533 0,284
141 4 5,000 -1,000 1,000
282 4 4,600 -0,600 0,360
283 4 4,600 -0,600 0,360
297 3 2,500 0,500 0,250
Média 0,45
Raiz
quadrada 0,67
Tabela 39 – Erro da filtragem colaborativa para o Usuário 6
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
96 3 5,000 -2,000 4,000
105 4 3,182 0,818 0,669
115 4 5,000 -1,000 1,000
168 5 2,714 2,286 5,224
176 2 1,167 0,833 0,694
177 1 3,286 -2,286 5,224
186 5 4,667 0,333 0,111
224 5 1,545 3,455 11,934
261 3 3,429 -0,429 0,184
275 5 2,143 2,857 8,163
Média 3,72
Raiz
quadrada 1,93
108
Tabela 40 – Erro da filtragem colaborativa para o Usuário 7
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
96 4 2,000 2,000 4,000
139 1 3,375 -2,375 5,641
164 4 3,273 0,727 0,529
166 2 2,091 -0,091 0,008
186 3 2,364 0,636 0,405
227 5 2,000 3,000 9,000
261 1 2,000 -1,000 1,000
275 1 1,909 -0,909 0,826
291 1 3,364 -2,364 5,587
Média 3,00
Raiz
quadrada 1,73
Tabela 41– Erro da filtragem colaborativa para o Usuário 8
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
5 3 2,706 0,294 0,087
68 2 2,765 -0,765 0,585
86 3 3,267 -0,267 0,071
99 2 3,125 -1,125 1,266
134 3 3,267 -0,267 0,071
141 5 3,600 1,400 1,960
282 4 3,733 0,267 0,071
283 4 3,733 0,267 0,071
297 2 2,235 -0,235 0,055
Média 0,47
Raiz
quadrada 0,69
109
Tabela 42– Erro da filtragem colaborativa para o Usuário 9
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
5 3 2,538 0,462 0,213
19 3 2,909 0,091 0,008
68 2 3,111 -1,111 1,235
118 3 4,429 -1,429 2,041
160 5 4,333 0,667 0,444
174 4 3,200 0,800 0,640
175 4 4,200 -0,200 0,040
234 4 3,125 0,875 0,766
297 2 2,231 -0,231 0,053
Média 0,60
Raiz
quadrada 0,78
Tabela 43– Erro da filtragem colaborativa para o Usuário 10
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
105 3 2,5 0,500 0,250
164 4 4 0,000 0,000
166 2 2 0,000 0,000
224 1 3 -2,000 4,000
227 1 5 -4,000 16,000
291 5 1 4,000 16,000
Média 6,04
Raiz
quadrada 2,46
110
Tabela 44– Erro da filtragem colaborativa para o Usuário 11
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
96 5 4,889 0,111 0,012
105 4 5,000 -1,000 1,000
108 5 4,900 0,100 0,010
139 5 2,625 2,375 5,641
164 5 5,000 0,000 0,000
166 4 3,778 0,222 0,049
168 4 5,000 -1,000 1,000
172 5 3,250 1,750 3,063
176 5 2,700 2,300 5,290
177 5 3,250 1,750 3,063
186 4 5,000 -1,000 1,000
224 4 4,450 -0,450 0,203
227 5 4,556 0,444 0,198
261 4 3,500 0,500 0,250
275 3 4,833 -1,833 3,361
291 4 5,000 -1,000 1,000
Média 1,57
Raiz
quadrada 1,25
Tabela 45– Erro da filtragem colaborativa para o Usuário 12
Depoimentos
recomendados
Avaliações do
Usuário
Predição do
Sistema di di²
81 3 5,00 -2,000 4,000
83 4 3,00 1,000 1,000
102 5 3,60 1,400 1,960
142 5 5,00 0,000 0,000
161 5 4,80 0,200 0,040
162 5 4,80 0,200 0,040
Média 1,17
Raiz
quadrada 1,08
111
Tabela 46– Resultado Final do Experimento 2 para todos os usuários (Réplica da tabela 20)
Usuário Resultado
1 1,35
2 0,94
3 0,8
4 1,42
5 0,67
6 1,93
7 1,73
8 0,69
9 0,78
10 2,46
11 1,25
12 1,08
Média 1,258
Top Related