Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFMG |
Texto Completo: | http://hdl.handle.net/1843/56062 https://orcid.org/0000-0001-7869-9665 |
Resumo: | Introdução: A publicidade de alimentos tem sido reconhecida como um dos fatores que contribuem para a escolha de alimentos não saudáveis e, consequentemente, para o aumento da prevalência de obesidade e outras doenças crônicas relacionadas à alimentação. Diante disso, organismos de saúde apontam a relevância de se monitorar e restringir a publicidade de alimentos. O monitoramento da publicidade de alimentos é importante para avaliar a qualidade e a quantidade de anúncios de alimentos transmitidos para o público em geral, especialmente para crianças e jovens. No entanto, atualmente, os métodos utilizados para esse monitoramento são manuais e de alta complexidade de execução e custos, tornando a análise demorada e onerosa. Como consequência, as evidências produzidas são potencialmente limitadas em volume e qualidade, o que pode prejudicar a sua tradução em políticas públicas. Objetivo: Desenvolver um método baseado em técnicas de inteligência artificial (IA) e aprendizado de máquina capaz de identificar e classificar automaticamente vídeos de publicidades de alimentos e não alimentos. Métodos: Estudo metodológico, que seguiu o protocolo desenvolvido pela rede INFORMAS (International Network for Food and Obesity/non-communicable Diseases Research, Monitoring, and Action Support) para a coleta de dados das publicidades de alimentos na televisão (TV). A seleção de dados envolveu as publicidades coletadas em 2018, 2019 e 2020, da programação de 3 canais abertos e 2 canais fechados da TV brasileira. O estudo foi realizado em 6 etapas de execução: coleta dos dados, seleção dos dados de treinamento; pré-processamento; divisão da base de dados inicial; treinamento e validação dos modelos computacionais, análise dos resultados. Resultados: A base de dados inicial foi criada a partir de 2.124 horas de gravação da programação televisiva brasileira e conteve 703 publicidades de alimentos e mais de 20.000 publicidades não alimentícias. Os resultados mostraram que a rede neural EfficientNet associada à estratégia Balanced batches alcançou uma precisão geral de 90,5% no banco de dados de teste, representando uma redução de 99,9% do tempo gasto na identificação e classificação das publicidades. Conclusão: A identificação e classificação automática de publicidades televisivas em alimentícias e não alimentícias através da tecnologia de IA e aprendizado de máquina representa uma abordagem promissora com enorme potencial para contribuir para a monitorização do ambiente alimentar. Essa descoberta tem importantes implicações práticas para pesquisadores, formuladores de políticas de saúde pública e órgãos reguladores não apenas no Brasil, mas também em outros países. |
id |
UFMG_48a91c8383931a637d9bb6e0ccc092f8 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/56062 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
Paula Martins Hortahttp://lattes.cnpq.br/4577697631876149Sandra Eliza Fontes de AvilaAna Paula Bortole tto MartinsRafael Moreira Clarohttp://lattes.cnpq.br/5998079317286040Michele Bittencourt Rodrigues2023-07-11T13:49:51Z2023-07-11T13:49:51Z2023-05-12http://hdl.handle.net/1843/56062https://orcid.org/0000-0001-7869-9665Introdução: A publicidade de alimentos tem sido reconhecida como um dos fatores que contribuem para a escolha de alimentos não saudáveis e, consequentemente, para o aumento da prevalência de obesidade e outras doenças crônicas relacionadas à alimentação. Diante disso, organismos de saúde apontam a relevância de se monitorar e restringir a publicidade de alimentos. O monitoramento da publicidade de alimentos é importante para avaliar a qualidade e a quantidade de anúncios de alimentos transmitidos para o público em geral, especialmente para crianças e jovens. No entanto, atualmente, os métodos utilizados para esse monitoramento são manuais e de alta complexidade de execução e custos, tornando a análise demorada e onerosa. Como consequência, as evidências produzidas são potencialmente limitadas em volume e qualidade, o que pode prejudicar a sua tradução em políticas públicas. Objetivo: Desenvolver um método baseado em técnicas de inteligência artificial (IA) e aprendizado de máquina capaz de identificar e classificar automaticamente vídeos de publicidades de alimentos e não alimentos. Métodos: Estudo metodológico, que seguiu o protocolo desenvolvido pela rede INFORMAS (International Network for Food and Obesity/non-communicable Diseases Research, Monitoring, and Action Support) para a coleta de dados das publicidades de alimentos na televisão (TV). A seleção de dados envolveu as publicidades coletadas em 2018, 2019 e 2020, da programação de 3 canais abertos e 2 canais fechados da TV brasileira. O estudo foi realizado em 6 etapas de execução: coleta dos dados, seleção dos dados de treinamento; pré-processamento; divisão da base de dados inicial; treinamento e validação dos modelos computacionais, análise dos resultados. Resultados: A base de dados inicial foi criada a partir de 2.124 horas de gravação da programação televisiva brasileira e conteve 703 publicidades de alimentos e mais de 20.000 publicidades não alimentícias. Os resultados mostraram que a rede neural EfficientNet associada à estratégia Balanced batches alcançou uma precisão geral de 90,5% no banco de dados de teste, representando uma redução de 99,9% do tempo gasto na identificação e classificação das publicidades. Conclusão: A identificação e classificação automática de publicidades televisivas em alimentícias e não alimentícias através da tecnologia de IA e aprendizado de máquina representa uma abordagem promissora com enorme potencial para contribuir para a monitorização do ambiente alimentar. Essa descoberta tem importantes implicações práticas para pesquisadores, formuladores de políticas de saúde pública e órgãos reguladores não apenas no Brasil, mas também em outros países.Introduction: Food advertising has been recognized as one factor contributing to the choice of unhealthy foods and, consequently, to the increase in the prevalence of obesity and other chronic diseases related to food. Health organizations emphasize the importance of monitoring and restricting food advertising. Monitoring food advertising is crucial to assess the quality and quantity of food advertisements (ads) that are broadcast to the public, especially to children and young people. However, currently, the methods used for this monitoring are manual and of high execution complexity and costs, making the analysis time-consuming and costly. Consequently, the evidence produced is potentially limited in volume and quality, which may impair its translation into public policy. Objective: To develop a method based on artificial intelligence (AI) and machine learning techniques capable of automatically identifying and classifying food and non-food ad videos. Methods: A methodological study, which followed the protocol developed by the INFORMAS network (International Network for Food and Obesity/non-communicable Diseases Research, Monitoring and Action Support) for collecting data from food ads on television (TV). Food advertising data were collected from the programming of three free-to-air channels and two pay-for-view TV channels in Brazil in 2018, 2019, and 2020. The study included six execution stages: data collection, selection of training data, preprocessing, division of the initial database, training, and validation of computational models, and analysis of results. Results: The initial database was created from 2,124 hours of recording of Brazilian television programming and contained 703 food ads and more than 20,000 non-food ads. The results showed that the EfficientNet neural network associated with the balanced batches strategy achieved an overall accuracy of 90.5% on the test database, which represents a reduction of 99.9% of the time spent on identifying and classifying ads. Conclusion: The automatic identification and classification of TV ads into food and non-food ads using AI technology represents a promising approach with enormous potential to contribute to monitoring the food environment. This finding has important practical implications for researchers, public health policymakers, and regulatory bodies, not only in Brazil but also in other countries.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisPrograma de Pós-Graduação em Nutrição e SaúdeUFMGBrasilENF - DEPARTAMENTO DE NUTRIÇÃOhttp://creativecommons.org/licenses/by-nc-nd/3.0/pt/info:eu-repo/semantics/openAccessPublicidade de alimentosAlimentos IndustrializadosTelevisãoInteligência ArtificialAprendizado de MáquinaDissertação AcadêmicaPublicidade de alimentosAlimentos industrializadosTelevisãoInteligência artificialAprendizado de máquinaSaúde PúblicaAplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no BrasilUtilizing artificial intelligence and machine learning techniques for automated monitoring of food advertising in Brazilinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGORIGINALDissertacao_Michele_Rodrigues.pdfDissertacao_Michele_Rodrigues.pdfDissertação de Mestradoapplication/pdf3437288https://repositorio.ufmg.br/bitstream/1843/56062/4/Dissertacao_Michele_Rodrigues.pdfed36d62f8ff6a204900db93e15303407MD54LICENSElicense.txtlicense.txttext/plain; charset=utf-82118https://repositorio.ufmg.br/bitstream/1843/56062/5/license.txtcda590c95a0b51b4d15f60c9642ca272MD55CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufmg.br/bitstream/1843/56062/2/license_rdfcfd6801dba008cb6adbd9838b81582abMD521843/560622023-07-11 10:49:52.244oai:repositorio.ufmg.br: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ório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-07-11T13:49:52Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
dc.title.alternative.pt_BR.fl_str_mv |
Utilizing artificial intelligence and machine learning techniques for automated monitoring of food advertising in Brazil |
title |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
spellingShingle |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil Michele Bittencourt Rodrigues Publicidade de alimentos Alimentos industrializados Televisão Inteligência artificial Aprendizado de máquina Saúde Pública Publicidade de alimentos Alimentos Industrializados Televisão Inteligência Artificial Aprendizado de Máquina Dissertação Acadêmica |
title_short |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
title_full |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
title_fullStr |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
title_full_unstemmed |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
title_sort |
Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil |
author |
Michele Bittencourt Rodrigues |
author_facet |
Michele Bittencourt Rodrigues |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Paula Martins Horta |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/4577697631876149 |
dc.contributor.advisor-co1.fl_str_mv |
Sandra Eliza Fontes de Avila |
dc.contributor.referee1.fl_str_mv |
Ana Paula Bortole tto Martins |
dc.contributor.referee2.fl_str_mv |
Rafael Moreira Claro |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/5998079317286040 |
dc.contributor.author.fl_str_mv |
Michele Bittencourt Rodrigues |
contributor_str_mv |
Paula Martins Horta Sandra Eliza Fontes de Avila Ana Paula Bortole tto Martins Rafael Moreira Claro |
dc.subject.por.fl_str_mv |
Publicidade de alimentos Alimentos industrializados Televisão Inteligência artificial Aprendizado de máquina Saúde Pública |
topic |
Publicidade de alimentos Alimentos industrializados Televisão Inteligência artificial Aprendizado de máquina Saúde Pública Publicidade de alimentos Alimentos Industrializados Televisão Inteligência Artificial Aprendizado de Máquina Dissertação Acadêmica |
dc.subject.other.pt_BR.fl_str_mv |
Publicidade de alimentos Alimentos Industrializados Televisão Inteligência Artificial Aprendizado de Máquina Dissertação Acadêmica |
description |
Introdução: A publicidade de alimentos tem sido reconhecida como um dos fatores que contribuem para a escolha de alimentos não saudáveis e, consequentemente, para o aumento da prevalência de obesidade e outras doenças crônicas relacionadas à alimentação. Diante disso, organismos de saúde apontam a relevância de se monitorar e restringir a publicidade de alimentos. O monitoramento da publicidade de alimentos é importante para avaliar a qualidade e a quantidade de anúncios de alimentos transmitidos para o público em geral, especialmente para crianças e jovens. No entanto, atualmente, os métodos utilizados para esse monitoramento são manuais e de alta complexidade de execução e custos, tornando a análise demorada e onerosa. Como consequência, as evidências produzidas são potencialmente limitadas em volume e qualidade, o que pode prejudicar a sua tradução em políticas públicas. Objetivo: Desenvolver um método baseado em técnicas de inteligência artificial (IA) e aprendizado de máquina capaz de identificar e classificar automaticamente vídeos de publicidades de alimentos e não alimentos. Métodos: Estudo metodológico, que seguiu o protocolo desenvolvido pela rede INFORMAS (International Network for Food and Obesity/non-communicable Diseases Research, Monitoring, and Action Support) para a coleta de dados das publicidades de alimentos na televisão (TV). A seleção de dados envolveu as publicidades coletadas em 2018, 2019 e 2020, da programação de 3 canais abertos e 2 canais fechados da TV brasileira. O estudo foi realizado em 6 etapas de execução: coleta dos dados, seleção dos dados de treinamento; pré-processamento; divisão da base de dados inicial; treinamento e validação dos modelos computacionais, análise dos resultados. Resultados: A base de dados inicial foi criada a partir de 2.124 horas de gravação da programação televisiva brasileira e conteve 703 publicidades de alimentos e mais de 20.000 publicidades não alimentícias. Os resultados mostraram que a rede neural EfficientNet associada à estratégia Balanced batches alcançou uma precisão geral de 90,5% no banco de dados de teste, representando uma redução de 99,9% do tempo gasto na identificação e classificação das publicidades. Conclusão: A identificação e classificação automática de publicidades televisivas em alimentícias e não alimentícias através da tecnologia de IA e aprendizado de máquina representa uma abordagem promissora com enorme potencial para contribuir para a monitorização do ambiente alimentar. Essa descoberta tem importantes implicações práticas para pesquisadores, formuladores de políticas de saúde pública e órgãos reguladores não apenas no Brasil, mas também em outros países. |
publishDate |
2023 |
dc.date.accessioned.fl_str_mv |
2023-07-11T13:49:51Z |
dc.date.available.fl_str_mv |
2023-07-11T13:49:51Z |
dc.date.issued.fl_str_mv |
2023-05-12 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/56062 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0001-7869-9665 |
url |
http://hdl.handle.net/1843/56062 https://orcid.org/0000-0001-7869-9665 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/3.0/pt/ |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Nutrição e Saúde |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENF - DEPARTAMENTO DE NUTRIÇÃO |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/56062/4/Dissertacao_Michele_Rodrigues.pdf https://repositorio.ufmg.br/bitstream/1843/56062/5/license.txt https://repositorio.ufmg.br/bitstream/1843/56062/2/license_rdf |
bitstream.checksum.fl_str_mv |
ed36d62f8ff6a204900db93e15303407 cda590c95a0b51b4d15f60c9642ca272 cfd6801dba008cb6adbd9838b81582ab |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589571831660544 |