Array
(
    [responseDate] => 2024-11-19T13:41:15Z
    [request] => https://ancib.org/enancib/index.php/enancib/xxxiiienancib/oai
    [GetRecord] => SimpleXMLElement Object
        (
            [record] => SimpleXMLElement Object
                (
                    [header] => SimpleXMLElement Object
                        (
                            [identifier] => oai:ocs.enancib.ancib.org:paper/1206
                            [datestamp] => 2022-12-09T17:54:30Z
                            [setSpec] => enancib:xxiienancib:GT 8
                        )

                    [metadata] => SimpleXMLElement Object
                        (
                            [dc] => SimpleXMLElement Object
                                (
                                    [title] => CONTRIBUIÇÕES DO USO DA APRENDIZAGEM DE MÁQUINA PARA A AVALIAÇÃO DE DOCUMENTOS DE ARQUIVO
                                    [creator] => Array
                                        (
                                            [0] => Eduardo Watanabe; Universidade de Brasília
                                            [1] => Renato Tarciso Barbosa de Sousa; Universidade de Brasília
                                        )

                                    [subject] => Aprendizagem de máquina; Gestão de documentos; Avaliação de documentos
                                    [description] => A transformação digital nos últimos 30 anos não resultou em avanços significativos na qualidade da gestão de documentos nas organizações, mas diante da evolução das tecnologias e métodos é que se pergunta: o uso de algoritmos de aprendizado de máquina pode contribuir com a avaliação de documentos de arquivo por meio da sugestão do código de classificação a ser atribuído a um documento de uma organização pública? Os procedimentos metodológicos consistem na revisão de literatura e nas tarefas propostas pelo modelo CRISP-DM (Cross-Industry Standard Process for Data Mining) em um experimento com 1.768 documentos de 598 processos da Advocacia-Geral da União. Foram desenvolvidos modelos de aprendizagem supervisionada com o uso de algoritmos especializados para fazer a atribuição automatizada do código de classificação do documento de forma a apoiar o processo de avaliação.
                                    [publisher] => Enancib
                                    [contributor] => SimpleXMLElement Object
                                        (
                                        )

                                    [date] => 2022-08-28 14:40:25
                                    [type] => Documento avaliado pelos pares
                                    [format] => application/pdf
                                    [identifier] => https://ancib.org/enancib/index.php/enancib/xxiienancib/paper/view/1206
                                    [source] => Enancib; XXII ENCONTRO NACIONAL DE PESQUISA E PÓS-GRADUAÇÃO EM CIÊNCIA DA INFORMAÇÃO
                                    [language] => pt
                                    [rights] => Autores que submetem a esta conferência concordam com os seguintes termos:
 a) Autores mantém os direitos autorais sobre o trabalho, permitindo à conferência colocá-lo sob uma licença Licença Creative Commons Attribution, que permite livremente a outros acessar, usar e compartilhar o trabalho com o crédito de autoria e apresentação inicial nesta conferência.
 b) Autores podem abrir mão dos termos da licença CC e definir contratos adicionais para a distribuição não-exclusiva e subseqüente publicação deste trabalho (ex.: publicar uma versão atualizada em um periódico, disponibilizar em repositório institucional, ou publicá-lo em livro), com o crédito de autoria e apresentação inicial nesta conferência.
 c) Além disso, autores são incentivados a publicar e compartilhar seus trabalhos online (ex.:  em repositório institucional ou em sua página pessoal) a qualquer momento antes e depois da conferência.
                                )

                        )

                )

        )

)