https://hdl.handle.net/20.500.14867/30136 Wed, 22 Jul 2026 05:43:33 GMT 2026-07-22T05:43:33Z https://hdl.handle.net/20.500.14867/848446 Título: Bioprospecção marinha de compostos bioativos da Ascídia Didemnum sp. em estratégia biotecnológica multidisciplinar Autor(es): Mirra, Bianca Fernandes Abstract: . Descrição: . Tipo: doctoralThesis Wed, 01 Jan 2025 00:00:00 GMT https://hdl.handle.net/20.500.14867/848446 2025-01-01T00:00:00Z https://hdl.handle.net/20.500.14867/848441 Título: Potencial biotecnológico da Caulerpa racemosa: aplicações na agricultura celular e farmacologia Autor(es): Silva, Isabel Virgínia Gomes e Abstract: . Descrição: . Tipo: doctoralThesis Mon, 01 Jan 2024 00:00:00 GMT https://hdl.handle.net/20.500.14867/848441 2024-01-01T00:00:00Z https://hdl.handle.net/20.500.14867/848434 Título: Detecção e classificação de sons de peixes marinhos utilizando técnicas de inteligência artificial Autor(es): Barroso, Viviane Rodrigues Abstract: The study of fish bioacoustics through passive acoustic monitoring (PAM) is essential to understanding marine biodiversity and assessing the impact of human activities on aquatic ecosystems. However, gaps remain in this area due to the complexity of underwater soundscapes and the scarcity of labeled and validated species-specific datasets. This thesis explores the evolution and application of artificial intelligence (AI) for automating fish sound detection and classification. Building on a critical review of the state-of-the-art, this study identified the need for methods capable of overcoming labeled data scarcity and enhancing model transparency and interpretability. Thus, a supervised learning framework was developed to classify pulsed fish sounds in a subtropical rocky reef environment. With the incorporation of data augmentation techniques, the models, particularly the multilayer perceptron, achieved an accuracy of 98.1%. This stage innovates by using Explainable Artificial Intelligence (XAI), which increases the models' transparency and interpretability, as well as the identification of determining acoustic characteristics. This provides a biological basis for interpreting the models' automated decisions. To address the scarcity of labeled data, the research evolved toward the use of Contrastive Language–Audio Pretraining (CLAP). Through cross-modal retrieval and zero-shot classification, this multimodal approach demonstrated a robust capability to recognize acoustic patterns without the need for large training datasets. Notably, the model showed significant performance for the Sciaenidae family, which accounted for over 60% of correct classifications. Taken together, these results indicate that while supervised models yield high precision in sound classification, multimodal embeddings and zero-shot learning techniques offer greater flexibility for scalable and taxonomically informed marine acoustic monitoring. Descrição: O estudo da bioacústica de peixes por meio do Monitoramento Acústico Passivo (MAP) é essencial para a compreensão da biodiversidade marinha e a avaliação dos impactos de estressores antropogênicos sobre os ecossistemas aquáticos. No entanto, essa área ainda apresenta lacunas decorrentes da complexidade das paisagens sonoras subaquáticas e da escassez de conjuntos de dados rotulados, validados e específicos por espécie. Esta tese explora a evolução e a aplicação da inteligência artificial (IA) na automação da detecção e classificação de sons de peixes. A fundamentação desta pesquisa estruturou-se a partir de uma análise crítica do estado da arte, que evidenciou a necessidade de métodos que superem a limitação da escassez de dados rotulados e aumentem a interpretação e transparência dos modelos. Diante disso, estabeleceu-se um framework de aprendizado supervisionado para a classificação de sons pulsados de peixes em um ambiente de recife rochoso subtropical. Com a incorporação de técnicas de aumento de dados, os modelos, em particular o Perceptron Multicamadas, alcançaram uma acurácia de 98,1%. A inovação desta etapa reside no uso de Inteligência Artificial Explicável (Explainable Artificial Intelligence – XAI), que ampliou a transparência e a interpretabilidade dos modelos, além da identificação inédita de características acústicas determinantes, conferindo uma base de interpretação biológica às decisões automatizadas dos modelos. Como uma alternativa para superar a lacuna de escassez de dados rotulados, a pesquisa avançou para o uso do Contrastive Language–Audio Pre training (CLAP). Por meio de recuperação cruzada entre modalidades e classificação zero-shot, essa abordagem multimodal demonstrou uma capacidade robusta de reconhecer padrões acústicos sem a necessidade de grandes conjuntos de dados para treinamento. Destaca-se o desempenho expressivo para a família Sciaenidae, que respondeu por mais de 60% das classificações corretas. Em conjunto, esses resultados indicam que, embora modelos supervisionados apresentem alta precisão na classificação desses sons, embeddings multimodais e técnicas de aprendizado zero-shot oferecem maior flexibilidade para um monitoramento acústico marinho escalável e taxonomicamente informado. Tipo: doctoralThesis Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.14867/848434 2026-01-01T00:00:00Z https://hdl.handle.net/20.500.14867/848424 Título: IDEA-C2: Uma abordagem híbrida de modelagem conceitual apoiada por um modelo de linguagem e um metamodelo de dados no contexto de comando e controle. Autor(es): Avelino, Jones de Oliveira Descrição: A obtenção de conhecimento a partir de dados textuais foi impulsionada pelo avanço dos modelos de linguagem, cujo desempenho pode ser aprimorado por meio do ajuste fino em domínios específicos. Contudo, abordagens orientadas por dados (data-driven) geram modelos subsimbólicos que apresentam limitações, como falta de explicabilidade e vieses. Em contraste, abordagens orientadas por teoria (theory-driven) baseiam-se em conceituações formais para a construção de modelos de domínio simbólicos, embora enfrentem desafios na extração de classes e relações relevantes a partir de textos. Nesse contexto, esta tese propõe o IDEA-C2, uma abordagem supervisionada híbrida que combina textos doutrinários, recursos semânticos e um metamodelo de alto nível para anotar corpora e ajustar modelos de linguagem pré-treinados em língua portuguesa. A abordagem emprega técnicas de pré-anotação heurística e permite a geração de knowledge graphs (KG) flexíveis, viabilizando consultas exploratórias e inferências, a fim de apoiar o desenvolvimento de modelos de domínio (DM). Avaliada em seis experimentos distintos, a abordagem apresentou resultados promissores. Na pré-anotação do corpus, IDEA-C2 alcançou uma precisão de 95% nas entidades e 76% nas relações, culminando em um Modelo de Linguagem (ML) ajustado ao contexto com uma precisão e cobertura acima de 85%. Em outro experimento mais amplo, envolvendo 28 participantes, ao aplicar o ML ajustado combinado com o KG no apoio à construção de um DM, os resultados do IDEA-C2 mostraram que 40% das classes e relações do KG foram similares às dos DM construídos de maneira tradicional. Esses resultados demonstram a utilidade e viabilidade da abordagem IDEA-C2 tanto na geração de artefatos essenciais ao ajuste de um ML e geração de KG quanto na sua aplicação na construção de um DM. Tipo: doctoralThesis Thu, 01 Jan 2026 00:00:00 GMT https://hdl.handle.net/20.500.14867/848424 2026-01-01T00:00:00Z