Aplicando técnicas de inteligência artificial e aprendizado de máquina para o monitoramento automático de publicidades de alimentos no Brasil

• Autor(a) principal: Michele Bittencourt Rodrigues
• 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
• 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

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.