PPGCC/CCET

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: JOAO PEDRO CAVALCANTI AZEVEDO
DATA: 30/06/2025
HORA: 09:00
TÍTULO: Explorando Métodos de Aprendizado Semi-supervisionado e Inteligência Artificial Generativa na Identificação de Ideação Suicida em Textos Não-Clínicos
PALAVRAS-CHAVES: Ideação suicida; Aprendizado semi-supervisionado; Modelos de linguagem generativos; Engenharia de prompt; Saúde mental; Explicabilidade de modelos;Processamento de linguagem natura
PÁGINAS: 72
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
RESUMO: O suicídio continua sendo um grave problema de saúde pública em todo o mundo, e a identificação precoce da IS é fundamental para a prevenção de casos fatais. Neste contexto, o presente trabalho teve como objetivo aprimorar o sistema Boamente, uma ferramenta baseada em IA desenvolvida para apoiar PSMs na detecção e monitoramento da IS em textos não clínicos escritos em PT-BR. O Boamente opera por meio da coleta de textos dos usuários via um teclado virtual em dispositivos móveis, que os envia a uma plataforma web para análise automática. Para tornar o sistema mais preciso e confiável, foram conduzidos dois estudos complementares. No primeiro estudo, buscou-se melhorar o desempenho do modelo de classificação do Boamente por meio da aplicação de técnicas de ASSL com foco em AET. Novos dados foram coletados e diferentes abordagens foram testadas, resultando em uma evolução da acurácia entre 2,39% e 4,30% em relação ao modelo base, com destaque para o método self-learning, que apresentou o melhor desempenho geral. Esses avanços reforçam o potencial da combinação entre dados rotulados e não rotulados no treinamento de modelos para problemas sensíveis como a detecção de IS. No segundo estudo, propôs-se a expansão da arquitetura do Boamente com a incorporação de um módulo gerador de explicações, utilizando engenharia de prompt com LLMs. A proposta teve como foco aumentar a interpretabilidade do sistema, permitindo que os PSMs compreendam as razões pelas quais um texto foi classificado como contendo ou não IS. Para isso, foi realizada uma avaliação quantitativa com diferentes LLMs, na qual o modelo Qwen 2.5 (14B) obteve o melhor desempenho em AUC (0,9898), enquanto os modelos Qwen 2.5 de 3B e 7B apresentaram os melhores valores de recall, métrica crítica para evitar falsos negativos em contextos clínicos. Em paralelo, conduziu-se uma avaliação qualitativa com especialistas de diferentes áreas (ciência da computação, linguística e psicologia), que consideraram as explicações geradas pelo modelo LLaMA 3.1 (8B) como as mais coerentes, claras e úteis para fins interpretativos. Os resultados obtidos demonstram que a integração de métodos de ASSL com LLMs explicativos pode elevar significativamente a qualidade do Boamente, tanto em termos de desempenho técnico quanto de confiabilidade percebida pelos profissionais que o utilizam. Além disso, a geração de explicações tem o potencial de fortalecer a confiança dos usuários no sistema de IA, prevenindo uma aceitação cega das predições e promovendo uma tomada de decisão mais crítica e embasada. Este trabalho contribui, portanto, para o desenvolvimento de sistemas de IA mais transparentes, eficientes e sensíveis às demandas da saúde mental, especialmente no contexto da prevenção ao suicídio no Brasil.
MEMBROS DA BANCA:
Interno - 1014571 - ANTONIO DE ABREU BATISTA JÚNIOR
Presidente - 015.753.933-44 - ARIEL SOARES TELES
Externo à Instituição - IVANDRÉ PARABONI - USP