@MASTERSTHESIS{ 2025:1929773657,
 	title = {Explorando Métodos de Aprendizado Semi-supervisionado e Inteligência Artificial Generativa na Identificação de Ideação Suicida em Textos Não-Clínicos},
 	year = {2025},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/6324",
 	abstract = "O suicídio continua sendo um grave problema de saúde pública em todo o mundo, e a
 identificação precoce da ideação suicida é fundamental para a prevenção de casos fatais.
 Neste contexto, o presente trabalho teve como objetivo aprimorar o sistema Boamente,
 uma ferramenta baseada em inteligência artificial desenvolvida para apoiar profissionais
 de saúde mental na detecção e monitoramento da ideação suicida em textos não clínicos
 escritos em português brasileiro. 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 aprendizado
 semi-supervisionado. 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. 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 Large Language
 Models. A proposta teve como foco aumentar a interpretabilidade do sistema, permitindo
 que os profissionais de saúde mental compreendam as razões pelas quais um texto foi
 classificado como contendo ou não ideação suicida. 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 e claras. Os resultados
 obtidos demonstram que a integração de métodos de aprendizado semi-supervisionado
 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 inteligência artificial, 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 mecanismos de inteligência artificial mais
 transparente e eficientes às demandas da saúde mental, especialmente no contexto da
 prevenção ao suicídio no Brasil.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}