DeuZikaChico: o poder da AGI no monitoramento e combate de epidemias como a de Dengue, Zika e Chikungunya
Resumo
Com o advento da web social, usuários contribuem ativamente compartilhando seu conteúdo em vez de simplesmente navegar na Web. Esses usuários têm se tornado verdadeiros sensores humanos através de plataformas colaborativas como as LBSNs (Redes Sociais Baseadas em Localização), produzindo uma inteligência coletiva na resolução de problemas. Sensores humanos são responsáveis pela produção de VGI (Informação Geográfica Voluntária) e AGI (Informação Geográfica Ambiental), informaç˜oes de muita utilidade nos mais diversos domínios de aplicação, como o das Cidades Inteligentes. Esses sensores têm auxiliado na resolução dos mais diversos problemas do espaço urbano, contribuindo para a melhoria da qualidade de vida dos cidadãos. Atualmente, o crescente aumento no número de casos de doenças transmitidas pelo mosquito Aedes aegypti, como a Dengue, Zika e a febre Chikungunya, tem levado o Brasil e muitos outros países do mundo a um estado de alerta no combate à proliferação do mosquito. O método de combate mais eficiente na atualidade depende da população tomando medidas profiláticas, representando um desafio para as autoridades locais. Neste contexto, este artigo apresenta o DeuZikaChico, um arcabouço que faz uso de tecnologias de geoprocessamento, plataformas móveis, crowdsourcing e redes sociais, com o objetivo de propiciar aos gestores públicos um melhor monitoramento de epidemias com o apoio imprescindível da sociedade.
Referências
V. D. Blondel, J.-L. Guillaume, R. Lambiotte, and E. Lefebvre. Fast unfolding of communities in large networks. Journal of Statistical Mechanics: Theory and Experiment, 2008(10):P10008+, July 2008.
Y. Chen, H. Amiri, Z. Li, and T.-S. Chua. Emerging topic detection for organizations from microblogs. In Proceedings of the 36th International ACM SIGIR Conference on Research and Development in Information Retrieval, SIGIR ’13, pages 43–52, New York, NY, USA, 2013. ACM.
Z. Chen and B. Liu. Mining topics in documents: Standing on the shoulders of big data. In Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, KDD ’14, pages 1116–1125, New York, NY, USA, 2014. ACM.
K. Chitra and B. Subashini. Data mining techniques and its applications in banking sector. International Journal of Emerging Technology and Advanced Engineering, 3(8):219–226, 2013.
D. Choi, B. Ko, H. Kim, and P. Kim. Text analysis for detecting terrorism-related articles on the web. Journal of Network and Computer Applications, 38:16–21, 2014.
T. Hofmann. Unsupervised learning by probabilistic latent semantic analysis. Machine learning, 42(1-2):177–196, 2001.
S. Huang, Y. Yang, H. Li, and G. Sun. Topic detection from microblog based on text clustering and topic model analysis. In Services Computing Conference (APSCC), 2014 Asia-Pacific, pages 88–92. IEEE, 2014.
S. Huang, Y. Yang, H. Li, and G. Sun. Topic detection from microblog based on text clustering and topic model analysis. In Services Computing Conference (APSCC), 2014 Asia-Pacific, pages 88–92, Dec 2014.
R. Igawa, G. Sakaji Kido, J. Seixas, and S. Barbon. Adaptive distribution of vocabulary frequencies: A novel estimation suitable for social media corpus. In Intelligent Systems (BRACIS), 2014 Brazilian Conference on, pages 282–287, Oct 2014.
R. A. Igawa, S. Barbon Jr, K. C. S. Paulo, G. S. Kido, R. C. Guido, M. L. P. Júnior, and I. N. da Silva. Account classification in online social networks with lbca and wavelets. Information Sciences, 332:72–83, 2016.
R. A. Igawa, A. M. G. de Almeida, B. B. Zarpelão, and S. Barbon Jr. Recognition of compromised accounts on twitter. 2015.
T. K. Landauer, P. W. Foltz, and D. Laham. An introduction to latent semantic analysis. Discourse processes, 25(2-3):259–284, 1998.
H. Li, J. Yan, H. Weihong, and D. Zhaoyun. Mining user interest in microblogs with a user-topic model. Communications, China, 11(8):131–144, Aug 2014.
M. E. Newman and M. Girvan. Finding and evaluating community structure in networks. Physical review E, 69(2):026113, 2004.
S. Papadopoulos, Y. Kompatsiaris, A. Vakali, and P. Spyridonos. Community detection in social media. Data Mining and Knowledge Discovery, 24(3):515–554, 2012.
D. M. W. Powers. Applications and explanations of zipf’s law. In Proceedings of the Joint Conferences on New Methods in Language Processing and Computational Natural Language Learning. Association for Computational Linguistics, 1998.
S. Tan, Y. Li, H. Sun, Z. Guan, X. Yan, J. Bu, C. Chen, and X. He. Interpreting the public sentiment variations on twitter. Knowledge and Data Engineering, IEEE Transactions on, 26(5):1158–1170, 2014.
L. Tang, X. Wang, and H. Liu. Community detection via heterogeneous interaction analysis. Data Mining and Knowledge Discovery, 25(1):1–33, 2012.
F. S. Tsai. A tag-topic model for blog mining. Expert Systems with Applications, 38(5):5330 – 5335, 2011.
M. Zappavigna. Ambient affiliation: A linguistic perspective on twitter. New media & society, 13(5):788–806, 2011.
J. Zeng, J. Duan, W. Cao, and C. Wu. Topics modeling based on selective zipf distribution. Expert Systems with Applications, 39(7):6541 – 6546, 2012.