Array
(
    [responseDate] => 2024-11-19T11:57:08Z
    [request] => https://revistas.ufpr.br/atoz/oai
    [GetRecord] => SimpleXMLElement Object
        (
            [record] => SimpleXMLElement Object
                (
                    [header] => SimpleXMLElement Object
                        (
                            [identifier] => oai:ojs.pkp.sfu.ca:article/84075
                            [datestamp] => 2024-02-22T22:26:33Z
                            [setSpec] => atoz:ART
                        )

                    [metadata] => SimpleXMLElement Object
                        (
                            [dc] => SimpleXMLElement Object
                                (
                                    [title] => Array
                                        (
                                            [0] => Classifying perceptions from Stakeholders about Brazil’s future using machine learning
                                            [1] => Classificação das percepções de stakeholders sobre o futuro do Brasil utilizando aprendizado de máquina
                                        )

                                    [creator] => Array
                                        (
                                            [0] => da Silva, Amauri Ornellas
                                            [1] => Raminelli, Daniele Gonçalves de Toledo Luchetta
                                            [2] => dos Santos, Bruno Samways
                                            [3] => Lima, Rafael Henrique Palma
                                        )

                                    [subject] => Array
                                        (
                                            [0] => Machine learning
                                            [1] => Classification
                                            [2] => Brazil
                                            [3] => Stakeholders.
                                            [4] => Aprendizado de máquina
                                            [5] => Classificação
                                            [6] => Brasil
                                            [7] => Stakeholders
                                        )

                                    [description] => Array
                                        (
                                            [0] => This paper compares five machine learning (ML) techniques to classify the perceptions of stakeholders as to Brazil's future. The ML techniques used were artificial neural networks, k-nearest neighbors, naïve bayes, random forest and support vector machines. They were applied to a dataset retrieved from the World Bank about Brazil's development. The dataset was preprocessed and configured in two different versions: the first contained a subset of attributes manually selected by the authors, whereas the second was composed of attributes selected using the information gain approach. It was found that all ML techniques performed better using the second version of the dataset, where attributes were ranked based on information gain. However, within each version of the dataset all techniques had similar performance. This research also found that the most relevant attributes are related to business opportunities, development indexes associated with critical subjects and trust in institutions and organizations.
                                            [1] => Este artigo compara cinco técnicas de aprendizado de máquina (AM) para classificar as percepções dos stakeholders quanto ao futuro do Brasil. As técnicas de ML utilizadas foram redes neurais artificiais, k-vizinhos mais próximos, naïve bayes, floresta aleatória e máquinas de vetores de suporte. Eles foram aplicados a um conjunto de dados do Banco Mundial sobre o desenvolvimento do Brasil. O conjunto de dados foi pré-processado e configurado em duas versões diferentes: a primeira continha um subconjunto de atributos selecionados manualmente pelos autores, enquanto a segunda era composta por atributos selecionados usando a abordagem de ganho de informação. Verificou-se que todas as técnicas de ML tiveram melhor desempenho com a segunda versão do conjunto de dados, em que os atributos foram classificados com base no ganho de informação. No entanto, dentro de cada versão do conjunto de dados, todas as técnicas tiveram desempenhos semelhantes. Esta pesquisa também constatou que os atributos mais relevantes estão relacionados às oportunidades de negócios, índices de desenvolvimento associados a temas críticos e confiança nas instituições e organizações. 
                                        )

                                    [publisher] => Programa de Pós-graduação em Gestão da Informação - UFPR
                                    [date] => 2023-09-13
                                    [type] => Array
                                        (
                                            [0] => info:eu-repo/semantics/article
                                            [1] => info:eu-repo/semantics/publishedVersion
                                            [2] => Artículo evaluado por pares
                                            [3] => Avaliado pelos pares
                                        )

                                    [format] => application/pdf
                                    [identifier] => Array
                                        (
                                            [0] => https://revistas.ufpr.br/atoz/article/view/84075
                                            [1] => 10.5380/atoz.v12i0.84075
                                        )

                                    [source] => Array
                                        (
                                            [0] => AtoZ: novas práticas em informação e conhecimento; Vol. 12 (2023); 1 - 15
                                            [1] => AtoZ: novas práticas em informação e conhecimento; Vol. 12 (2023); 1 - 15
                                            [2] => AtoZ: novas práticas em informação e conhecimento; v. 12 (2023); 1 - 15
                                            [3] => 2237-826X
                                            [4] => 10.5380/atoz.v12i0
                                        )

                                    [language] => por
                                    [relation] => https://revistas.ufpr.br/atoz/article/view/84075/50239
                                    [rights] => Copyright (c) 2023 AtoZ: novas práticas em informação e conhecimento
                                )

                        )

                )

        )

)