[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-127617-pt":3,"doc-seo-127617-112":31,"detail-sidebar-cat-0-pt-112":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},127617,549768064778,"Finn","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",32,"Pesquisa e Relatórios","Classificação das Percepções de Stakeholders Sobre o Futuro do Brasil Usando Aprendizado de Máquina","Este artigo compara cinco técnicas de aprendizado de máquina para classificar as percepções de stakeholders sobre o futuro do Brasil. Modelos avaliados incluem redes neurais artificiais, k-vizinhos mais próximos, Naive Bayes, floresta aleatória e máquinas de vetores de suporte. As abordagens foram aplicadas a um conjunto de dados do Banco Mundial sobre desenvolvimento brasileiro, pré-processado em duas versões: atributos selecionados manualmente e atributos escolhidos por ganho de informação. Verificou-se melhor desempenho na segunda versão, mantendo desempenhos semelhantes entre métodos dentro de cada versão. Os atributos mais relevantes se relacionam a oportunidades de negócios, índices de desenvolvimento ligados a temas críticos e confiança em instituições e organizações.","CLASSIfiCAçãO DAS PERCEPçõES DE STAKEHOLDERS SOBRE O FUTURODO BRASIL UTILIZANDO APRENDIZADO DE MáQUINA  \nClASSiFying perCeptionS FroM 3tAKeholderS ABout BrAzil’S Future uSing MAChine leArning  \nAMAuRI /RNELLAS DA 3ILVA1 , DANIELE GONçALVES DE 4OLEDO ,uCHETTA 2AMINELLI2 , BRuNO 3AMwAyS DOS 3ANTOS3 , 2AfAEL (ENRIquE 0ALMA ,IMA4  \n1 5nIveRSIDADe 4eCnOLógICA FeDeRAL DO 0ARAná (54F02),,OnDRInA, 0ARAná, BRASIL. /2C)D: [HTTP://ORCID.ORg/0000-0001-5572-6341](HTTP://ORCID.ORg/0000-0001-5572-6341)  \n2 5nIveRSIDADe 4eCnOLógICA FeDeRAL DO 0ARAná (54F02),,OnDRInA, 0ARAná, BRASIL. /2C)D: [HTTP://ORCID.ORg/0000-0003-1927-0011](HTTP://ORCID.ORg/0000-0003-1927-0011)  \n3 5nIveRSIDADe 4eCnOLógICA FeDeRAL DO 0ARAná (54F02),,OnDRInA, 0ARAná, BRASIL. /2C)D: [HTTP://ORCID.ORg/0000-0001-7919-1724](HTTP://ORCID.ORg/0000-0001-7919-1724)  \n4 5nIveRSIDADe 4eCnOLógICA FeDeRAL DO 0ARAná (54F02),,OnDRInA, 0ARAná, BRASIL. /2C)D: [HTTP://ORCID.ORg/0000-0002-9098-3025](HTTP://ORCID.ORg/0000-0002-9098-3025)[ ](HTTP://ORCID.ORg/0000-0002-9098-3025)AUTOR PARA CORRESPONDêNCIA/MAil to: .ATALIA 0IMENTA ALVES ,AGE, NATALIAP.ALVES@GMAIL.COM  \n2ECEBIDO/3uBMitted: 17 DE DEzEMBRO DE 2021; ACEITO/Approved: 15 DE juLHO DE 2022  \nCOPyRIgHT 􀀍C 2023 3ILvA eT AL.. 4ODO O CONTEúDO DA 2EVISTA (INCLuINDO-SE INSTRuçõES, POLíTICA EDITORIAL E MODELOS) ESTá SOB uMA LICENçA \\#REATIVE \\#OMMONSATRIBuIçãO 4.0 )NTERNACIONAL. AO SEREM PuBLICADOS PORESTA 2EVISTA, OS ARTIGOSSãODE LIVRE uSO EM AMBIENTES EDuCACIONAIS, DE PESquISA E NãO COMERCIAIS, COM ATRIBuIçãODE AuTORIA OBRIGATóRIA. -AIS INfORMAçõES EM [HTTP://REVISTAS.ufPR.BR/ATOz/ABOuT/SuBMISSIONS\\#COPyRIGHT.OTICE](HTTP://REVISTAS.ufPR.BR/ATOz/ABOuT/SuBMISSIONS#COPyRIGHT.OTICE).  \n2ESUMO  \n%STE ARTIGO COMPARA CINCO TéCNICAS DE APRENDIzADO DE MáquINA (A-) PARA CLASSIfiCAR AS PERCEPçõES DOS STAKeHOLDeRS quANTO AO fuTuRO DO BRASIL. AS TéCNICAS DE-, uTILIzADAS fORAM REDES NEuRAIS ARTIfiCIAIS, K-VIzINHOS MAIS PRóXIMOS, nAïve BAyeS, flORESTA ALEATóRIA E MáquINAS DE VETORES DE SuPORTE. %LES fORAM APLICADOS A uM CONjuNTO DE DADOS DO BANCO-uNDIAL SOBRE O DESENVOLVIMENTO DO BRASIL. / CONjuNTO DE DADOS fOI PRé-PROCESSADO E CONfiGuRADO EM DuAS VERSõES DIfERENTES: A PRIMEIRA CONTINHA uM SuBCONjuNTO DE ATRIBuTOS SELECIONADOS MANuALMENTE PELOS AuTORES, ENquANTO A SEGuNDA ERA COMPOSTA POR ATRIBuTOS SELECIONADOS uSANDO A ABORDAGEM DE GANHO DE INfORMAçãO. 6ERIfiCOu-SE quE TODAS ASTéCNICAS DE-, TIVERAM MELHOR DESEMPENHO COM A SEGuNDA VERSãO DO CONjuNTO DE DADOS, EM quE OS ATRIBuTOS fORAM CLASSIfiCADOS COM BASE NO GANHO DE INfORMAçãO. .O ENTANTO, DENTRO DE CADA VERSãO DO CONjuNTO DE DADOS, TODAS AS TéCNICASTIVERAM DESEMPENHOS SEMELHANTES. %STAPESquISATAMBéM CONSTATOu quE OS ATRIBuTOS MAIS RELEVANTES ESTãO RELACIONADOS àS OPORTuNIDADES DE NEGóCIOS, íNDICES DE DESENVOLVIMENTO ASSOCIADOS A TEMAS CRíTICOS E CONfiANçA NAS INSTITuIçõES E ORGANIzAçõES.  \n0ALAVRAS-CHAVE: APRENDIzADO DE MáquINA; \\#LASSIfiCAçãO; BRASIL; 3TAKeHOLDeRS.  \nABStrACt  \n4HIS PAPeR COMPAReS five MACHIne LeARnIng (-,) TeCHnIqUeS TO CLASSIFy THe PeRCePTIOnS OF STAKeHOLDeRS AS TO BRAZIL’S FUTURe. 4He-, TeCHnIqUeS USeD WeRe ARTIfiCIAL neURAL neTWORKS, K-neAReST neIgHBORS, nAïve BAyeS, RAnDOM FOReST AnD SUPPORT veCTOR MACHIneS. 4Hey WeRe APPLIeD TO A DATASeT ReTRIeveD FROM THe 7ORLD BAnK ABOUT BRAZIL’S DeveLOPMenT. 4He DATASeT WAS PRePROCeSSeD AnD COnfigUReD In TWO DIFFeRenT veRSIOnS: THe fiRST COnTAIneD A SUBSeT OF ATTRIBUTeS MAnUALLy SeLeCTeD By THe AUTHORS, WHeReAS THe SeCOnD WAS COMPOSeD OF ATTRIBUTeS SeLeCTeD USIng THe InFORMATIOn gAIn APPROACH. )T WAS FOUnD THAT ALL-, TeCHnIqUeS PeRFORMeD BeTTeR USIng THe SeCOnD veRSIOn OF THe DATASeT, WHeRe ATTRIBUTeS WeRe RAnKeD BASeD On InFORMATIOn gAIn. (OWeveR,  \nWITHIn eACH veRSIOn OF THe DATASeT ALL TeCHnIqUeS HAD SIMILAR PeRFORMAnCe. 4HIS ReSeARCH ALSO FOUnD THAT THe MOST ReLevAnT ATTRIBUTeS ARe ReLATeD TO BUSIneSS OPPORTUnITIeS, DeveLOPMenT InDexeS ASSOCIATeD WITH CRITICAL SUBjeCTS AnD TRUST In InSTITUTIOnS AnD ORgAnIZATIOnS.  \nKeywordS: -ACHIne LeARnIng; CLASSIfi","cbCaiq9d2EwSJgvk","https://ap.wps.com/l/cbCaiq9d2EwSJgvk","pdf",868734,2,1,15,"Portuguese","pt",112,"# Resumo\n# Contextualização: desenvolvimento econômico, PIB e percepções\n## Indicadores econômicos e considerações qualitativas\n## Ambientes e influência das percepções nas decisões\n# Metodologia e técnicas de aprendizado de máquina\n## Conjunto de dados do Banco Mundial e pré-processamento\n## Comparação de cinco modelos\n# Resultados e interpretação\n## Desempenho entre versões do dataset\n## Atributos mais relevantes e relação com temas críticos","[{\"question\":\"Quais são as cinco técnicas de aprendizado de máquina avaliadas no artigo?\",\"answer\":\"O estudo compara redes neurais artificiais, k-vizinhos mais próximos, Naive Bayes, floresta aleatória e máquinas de vetores de suporte para classificar as percepções dos stakeholders.\"},{\"question\":\"Como o conjunto de dados do Banco Mundial foi preparado para a modelagem?\",\"answer\":\"O dataset foi pré-processado em duas versões: uma com subconjunto de atributos selecionado manualmente pelos autores e outra com atributos selecionados por meio da abordagem de ganho de informação.\"},{\"question\":\"Quais atributos se mostraram mais relevantes para as percepções sobre o futuro do Brasil?\",\"answer\":\"Os atributos mais relevantes foram associados a oportunidades de negócios, índices de desenvolvimento ligados a temas críticos e confiança em instituições e organizações.\"}]","Classificação das Percepções de Stakeholders Sobre o Futuro do Brasil Usando Aprendizado de Máquina | PDF",1785940295,23,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"classifying-stakeholder-perceptions-about-brazils-future-using-machine-learning","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/pt/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/pt/document/classifying-stakeholder-perceptions-about-brazils-future-using-machine-learning/127617/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-24","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Quais são as cinco técnicas de aprendizado de máquina avaliadas no artigo?","Question",{"text":76,"@type":77},"O estudo compara redes neurais artificiais, k-vizinhos mais próximos, Naive Bayes, floresta aleatória e máquinas de vetores de suporte para classificar as percepções dos stakeholders.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Como o conjunto de dados do Banco Mundial foi preparado para a modelagem?",{"text":81,"@type":77},"O dataset foi pré-processado em duas versões: uma com subconjunto de atributos selecionado manualmente pelos autores e outra com atributos selecionados por meio da abordagem de ganho de informação.",{"name":83,"@type":74,"acceptedAnswer":84},"Quais atributos se mostraram mais relevantes para as percepções sobre o futuro do Brasil?",{"text":85,"@type":77},"Os atributos mais relevantes foram associados a oportunidades de negócios, índices de desenvolvimento ligados a temas críticos e confiança em instituições e organizações.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,115,119,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},26,"Contos e Romances",60,"story-novel",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},46,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},28,"Exames","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},47,"Geral","general",{"id":112,"doc_module":4,"doc_module_name":47,"category_name":113,"show_sort_weight":97,"slug":114},29,"Histórias em Quadrinhos","comic",{"id":116,"doc_module":4,"doc_module_name":47,"category_name":117,"show_sort_weight":97,"slug":118},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":120},"research-report",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},33,"Religião e Espiritualidade","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},31,"Saúde e Cuidados","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},45,"Tecnologia","technology"]