Pós-Graduação em Ciência da Computação · Catalogação na fonte Bibliotecária Elaine Cristina de Freitas, CRB4-1790 C837r Costa, Raisa Brito. REC-PSI: Um Sistema de Recomendação

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

[email protected]

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

http://kdfrases.com/autor/arist%C3%B3teles

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 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 43– Erro da filtragem colaborativa para o Usuário 10 ............................................... 109



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


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


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


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


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


(B->A)


(B->C)

Divisão

(B->C)

João (1,5 – 3) =

-1,5

-1,5 1 (-1,5 / 1) =

-1,5


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


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


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


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/

https://www.adaa.org/

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).


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


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/


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


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


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


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


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


A Figura 17 apresenta a tela com a lista de depoimentos já lidos pelo usuário.

63

Figura 17 - Tela de Depoimentos Lidos


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


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).


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


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


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.


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


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





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%


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


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


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


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


(C->A)


(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


(C->B)


(C->B) Divisão (C->B)

Y (4 – 2) = 2

(2 + 1) = 3 2 (3 / 2) = 1,5

Z (5- 4) = 1


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


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


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


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


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


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


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


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


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


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


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

https://www.time-to-change.org.uk/category/blog/friends-and-family

https://www.time-to-change.org.uk/category/blog/school%2C-college-and-university

https://www.time-to-change.org.uk/category/blog/depression

https://www.time-to-change.org.uk/category/blog/anxiety

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.

https://www.time-to-change.org.uk/category/blog/workplace

https://www.time-to-change.org.uk/category/blog/talking-about-mental-health

https://www.time-to-change.org.uk/category/blog/stigma-and-discrimination

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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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

Documents

Pós-Graduação em Ciência da Computação · Catalogação na fonte Bibliotecária Elaine Cristina de Freitas, CRB4-1790 C837r Costa, Raisa Brito. REC-PSI: Um Sistema de Recomendação