An Environment for Data Analysis in Biomedical Domain: Information Extraction for Decision Support Systems

Matos, Pablo F.; Lombardi, Leonardo O.; Pardo, Thiago Alexandre Salgueiro; Ciferri, Cristina Dutra de Aguiar; Vieira, Marina Teresa Pires; Ciferri, Ricardo Rodrigues

doi:10.1007/978-3-642-13022-9_31

Cited by 5 publications

(5 citation statements)

References 14 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…The revocation of the toxic messages stands out, with 95% of the results being retrieved. The F-score, a harmonic weighted average of the precision and revocation scores using a constant β to determine the weight given to each score, can also be used to measure an information retrieval model's performance [18]. The β chosen for this experiment's F-score was of one (1), such that revocation and precision were given an equal weight [18], resulting in a relatively high F-score for both the toxic and non-toxic messages, receiving 0.84 and 0.89, respectively.…”

Section: Discussionmentioning

confidence: 99%

“…The F-score, a harmonic weighted average of the precision and revocation scores using a constant β to determine the weight given to each score, can also be used to measure an information retrieval model's performance [18]. The β chosen for this experiment's F-score was of one (1), such that revocation and precision were given an equal weight [18], resulting in a relatively high F-score for both the toxic and non-toxic messages, receiving 0.84 and 0.89, respectively. A possible explanation for the model's success in classifying toxic messages is the repeated use of tokens that were always attributed as toxic, including racist and homophobic slurs, along with toxic game-related slang like the term "ez".…”

Section: Discussionmentioning

confidence: 99%

See 1 more Smart Citation

A Low-code Approach to Identify Toxicity in MOBA Games

Vaz

Batista

Silva

et al. 2021

Anais Estendidos Do XX Simpósio Brasileiro De Games E Entretenimento Digital (SBGames Estendido 2021)

View full text Add to dashboard Cite

In this work, we explore the use of KNIME to identify toxic behavior in the MOBA game DOTA 2. Using a dataset composed of 10530 messages taken from 1903 matches, we tested the use of KNIME to identify toxic messages obtaining an accuracy of 92% and 85% for toxic and non-toxic messages, respectively. The DOTA 2 game chat log was used to present a low-code approach to a supervised learning model for message classification. In addition to providing insight into the toxic behavior of MOBA players, our work supports the idea that low-code development can reach levels as good as traditional development. On the other hand, our study can also serve as a basis for more elaborate implementations that allow us to observe other aspects of toxic behavior from its detection, encouraging the construction of prevention and neutralization tools.

show abstract

Section: Discussionmentioning

confidence: 99%

Section: Discussionmentioning

confidence: 99%

A Low-code Approach to Identify Toxicity in MOBA Games

Vaz

Batista

Silva

et al. 2021

Anais Estendidos Do XX Simpósio Brasileiro De Games E Entretenimento Digital (SBGames Estendido 2021)

View full text Add to dashboard Cite

show abstract

“…Os experimentos foram realizados em duas etapas: a primeira com as bases completas e a segunda com um subconjunto de variáveis filtradas a partir da aplicac ¸ão da técnica de selec ¸ão de atributos. A métrica de avaliac ¸ão utilizada foi a acurácia, esta indica a porcentagem de acerto de um classificador, ou seja, quanto maior a acurácia, melhor é o modelo gerado [Matos et al 2009].…”

Section: Modelagemunclassified

Mineração de Dados Educacionais: Investigando a Relação entre os Microdados do INEP e o Desempenho do IDEB

Farias,

Gusmão,

Gusmão

2023

Anais Do XXXIV Simpósio Brasileiro De Informática Na Educação (SBIE 2023)

View full text Add to dashboard Cite

O objetivo deste trabalho foi investigar o Índice de Desenvolvimento da Educação Básica em busca dos principais fatores que influenciam o seu resultado, através de mineração de dados educacionais. Para isso, foram analisados informações obtidas dos Microdados do INEP referentes ao Censo da Educação Básica e ao Sistema de Avaliação da Educação Básica. Os dados utilizados são referentes à situação socioeconômica de estudantes, à estrutura física das escolas e às condições de trabalho dos professores de turmas de terceiro ano do ensino médio de três estados, a saber: Sergipe, Bahia e Alagoas. Identificou-se que variáveis socioeconômicas dos estudantes possuem influência na obtenção da meta projetada do IDEB.

show abstract

“…Foi realizado o treinamento do classificador, resultando na geração de uma matriz de confusão, que proporciona uma avaliação eficaz do modelo de classificação, ao mostrar o número de classificações corretas e as classificações preditas para cada classe em um determinado conjunto de exemplos (MATOS et al, 2009). Essas classificações são: verdadeiros positivos (VP), onde o modelo classifica corretamente as instâncias como pertencentes à classe em questão; verdadeiros negativos (VN), nos quais o modelo classificar corretamente as instâncias como não pertencentes à classe; falsos positivos (FP), quando o modelo incorretamente classifica uma instância como pertencente a uma classe específica, quando na verdade não pertence; e falsos negativos (FN), onde uma instância é equivocadamente classificada como não pertencente a uma determinada classe, embora ela realmente pertença.…”

Section: Metodologiaunclassified

Uso De Aprendizado De Máquina Para Classificação De Espécies Frutíferas a Partir De Imagens RGB

Brinati Valentim,

Alexandre da Silva Oliveira,

Teixeira Moreira Capacia

et al. 2023

Anais Do XXVII INIC, XXIII EPG, XVII INIC Jr, XIII INID, III ENEXUN

View full text Add to dashboard Cite

ResumoO artigo apresenta como objetivo testar a viabilidade do sensor RGB, que apresenta menor custo quando comparado aos sensores multiespectrais, para a classificação automatizada de espécies frutíferas, visando a automatização das etapas de produção agrícola. O trabalho integra sensoriamento remoto e aprendizado de máquina utilizando o algoritmo K-Nearest Neighbor (k-NN) para a classificação automatizada. A pesquisa foi conduzida com espécies frutíferas do setor de fruticultura localizado na área experimental do Centro de Ciências Agrárias e Engenharias -UFES. Foi realizado um aerolevantamento utilizando-se um VANT, modelo Phantom 4 Pro, equipado com um sensor RGB-CMOS. A partir das imagens geradas foi feita a classificação pixel-a-pixel através do algoritmo k-NN. Métricas como Precisão, Recall e F-score foram geradas a partir da matriz de confusão. A partir da métricas obteve-se índice kappa de 0.445125, indicando nível fraco de concordância, o que sugere confusão significativa durante a classificação. Não obstante, a classe de solo exposto apresentou elevada precisão, sendo um dado promissor para futuras estratégias de manejo agrícola.

show abstract

An Environment for Data Analysis in Biomedical Domain: Information Extraction for Decision Support Systems

Cited by 5 publications

References 14 publications

A Low-code Approach to Identify Toxicity in MOBA Games

A Low-code Approach to Identify Toxicity in MOBA Games

Mineração de Dados Educacionais: Investigando a Relação entre os Microdados do INEP e o Desempenho do IDEB

Uso De Aprendizado De Máquina Para Classificação De Espécies Frutíferas a Partir De Imagens RGB

Contact Info

Product

Resources

About