Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes

Detalhes bibliográficos
Autor(a) principal: Artese, Letícia Silveira
Data de Publicação: 2023
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/251831
Resumo: Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2023.
id UFSC_bc41004027d3ae5e0eb83b6d94f258a1
oai_identifier_str oai:repositorio.ufsc.br:123456789/251831
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentesEngenharia e gestão do conhecimentoPrevisãoMineração de dados (Computação)Planejamento estratégicoPrevisão tecnológicaTese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2023.Sinais fracos são fragmentos de informação que a princípio podem parecer vagos e desconexos, mas que atuam como indicadores de um evento futuro e potenciais questões emergentes. Em particular, o domínio tecnológico se destaca no interesse em antecipar informações, visto a estreita relação entre avanço tecnológico e vantagem competitiva. Nessa perspectiva, sinais fracos se mostram uma informação relevante para o planejamento estratégico. O contexto atual de desenvolvimento acelerado enaltece a necessidade de uma abordagem que considere o conceito de incerteza nos planejamentos, viabilizando a antecipação da informação a fim de aproveitar vantagens e minimizar riscos. Diante desse cenário, esta tese propõe um modelo de descoberta de conhecimento em texto para detectar sinais fracos para tecnologias emergentes. A proposta tem sua originalidade marcada pela idealização da identificação de novas palavras como recomendações de sinais fracos. A proposição se sustenta na premissa de compreensão de palavras como o menor nível de abstração de uma informação com base na teoria semiótica de Peirce, e assim, uma forma de buscar a máxima antecipação. O modelo foi elaborado a partir da Design Science Research Methodology e tem como foco explorar a semântica presente nos dados não estruturados contido nos documentos de publicações científicas e tecnológicas. O modelo tem como cerne três tarefas de mineração de texto: (1) a identificação de sinais novos: descoberta de palavras novas; (2) a identificação de sinais latentes: monitoramento temporal das palavras; e (3) a identificação de sinais fracos: estimativa sobre o potencial de impacto tecnológico. Para sua operacionalização, métodos e técnicas de processamento de linguagem natural e técnicas de análise de redes temporais foram implementadas, como o modelo para embedding BERT e a análise burst de redes temporais. A demostração conceitual do modelo e sua operacionalização simulada baseada em um cenário de estudo real apresentaram resultados satisfatórios. Evidenciando a capacidade de obtenção de sinais fracos para tecnologias emergentes a partir da identificação e monitoramento temporal de palavras novas, uma vez que, o modelo é capaz de obter a contextualização dinâmica das palavras novas identificadas. Além disso, como contribuição enaltece-se a viabilidade e importância de abordagens quantitativas e computacionais para a detecção de sinais fracos, particularmente, considerando dados não estruturados como os textos. Assim, o modelo desenvolvido demonstrou competência em prover sinais fracos que apontam para novas tecnologias com antecedência colaborando para processos de planejamento estratégico.Abstract: Weak signals are fragments of information that initially may appear vague or disconnected, but they act as indicators of a future event and potential emerging issues. In particular, the technological domain stands out in its interest to anticipate information, given the close relationship between technological advancement and competitive advantage. In this perspective, weak signals are relevant information for strategic planning. The current context of accelerated development emphasizes the need for an approach that considers the concept of uncertainty in strategic planning, enabling the anticipation of information to take advantages and minimize risks. Given this scenario, this thesis proposes a knowledge discovery in text model for detecting weak signals for emerging technologies. The proposition is premised on the understanding of words as the lowest level of abstraction of information based on Peirce's semiotic theory, and thus, a way to aim for maximum anticipation. The developed model followed the Design Science Research Methodology guidelines and focused on exploring the semantics contained in the unstructured part of the data in documents as scientific and technological publications. The model has three text mining tasks as its core: (1) identification of new signals: discovery of new words; (2) identification of latent signals: temporal monitoring of words; and (3) identification of weak signals: estimation of potential technological impact. For its operationalization methods and techniques of natural language processing and temporal network analysis techniques are implemented, such as the BERT embedding model and burst analysis of temporal networks. The conceptual demonstration of the model and its simulated operationalization based on a real scenario showed satisfactory results. Evidencing the ability to obtain weak signals for emerging technologies by identifying and monitoring new words, once the model is capable of obtain the contextualization of the new identified words. Furthermore, as a contribution, the feasibility and importance of quantitative and computational approaches for detecting weak signals are highlighted, specially approaches toward non structured data as texts. Thus, the developed model proves to be capable of providing weak signals that point to new technologies in advance, thus contributing to strategic planning processes.Gonçalves, Alexandre LeopoldoTodesco, José LeomarUniversidade Federal de Santa CatarinaArtese, Letícia Silveira2023-11-07T23:27:04Z2023-11-07T23:27:04Z2023info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis223 p.| il., gráfs.application/pdf384596https://repositorio.ufsc.br/handle/123456789/251831porreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccess2023-11-07T23:27:04Zoai:repositorio.ufsc.br:123456789/251831Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestopendoar:23732023-11-07T23:27:04Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
title Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
spellingShingle Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
Artese, Letícia Silveira
Engenharia e gestão do conhecimento
Previsão
Mineração de dados (Computação)
Planejamento estratégico
Previsão tecnológica
title_short Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
title_full Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
title_fullStr Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
title_full_unstemmed Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
title_sort Modelo de descoberta de conhecimento em texto para detecção de sinais fracos para tecnologias emergentes
author Artese, Letícia Silveira
author_facet Artese, Letícia Silveira
author_role author
dc.contributor.none.fl_str_mv Gonçalves, Alexandre Leopoldo
Todesco, José Leomar
Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Artese, Letícia Silveira
dc.subject.por.fl_str_mv Engenharia e gestão do conhecimento
Previsão
Mineração de dados (Computação)
Planejamento estratégico
Previsão tecnológica
topic Engenharia e gestão do conhecimento
Previsão
Mineração de dados (Computação)
Planejamento estratégico
Previsão tecnológica
description Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia e Gestão do Conhecimento, Florianópolis, 2023.
publishDate 2023
dc.date.none.fl_str_mv 2023-11-07T23:27:04Z
2023-11-07T23:27:04Z
2023
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv 384596
https://repositorio.ufsc.br/handle/123456789/251831
identifier_str_mv 384596
url https://repositorio.ufsc.br/handle/123456789/251831
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 223 p.| il., gráfs.
application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1808651953708728320

Registros relacionados