Comparando a eficácia na recuperação de questionários: QSMatching vs Vector model vs Fuzzy

Autores/as

  • Richard Henrique de Souza Universidade Federal de Santa Catarina
  • Carina Friedrich Dorneles Universidade Federal de Santa Catarina

Palabras clave:

Abordagem QSMatching, modelo vetorial, fuzzy, questionário, similaridade, ordenação.

Resumen

Elaborar um questionário útil representa uma tarefa importante para a pesquisa descritiva. Perguntas mal elaboradas podem levar a respostas com interpretações sem sentido, sutis ou ingênuas. Portanto, pode ser interessante reutilizar, parcial ou totalmente, questionários já criados com o mesmo propósito. Neste trabalho, comparamos o QSMatching com os modelos vetorial e fuzzy para calcular a similaridade entre questionários e, consequentemente, obter uma ordenação de questionários de acordo com a consulta do usuário. Para verificar a efetividade, foi realizado um experimento comparando as abordagens QSMatching, modelo vetorial e fuzzy. O resultado da análise do experimento mostra que o QSMatching é mais efetivo que outros modelos para recuperação de questionários.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

Richard Henrique de Souza, Universidade Federal de Santa Catarina

Possui mestrado em Ciência da Computação pela Universidade Federal de Santa Catarina (UFSC, 2009) e graduação em Ciência da Computação pela Universidade do Vale do Itajaí (2006). Atualmente é doutorando, pesquisa na área de recuperação de informação. Trabalha como analista de tecnologia da informação na UFSC. Tem experiência em docencia nos cursos de graduação da Unisul. 

Carina Friedrich Dorneles, Universidade Federal de Santa Catarina

Professora no Departamento de Informática e Estatística (INE) da UFSC. Membro da CE-BD 2018/2020 (Comissão Especial de Banco de Dados - DB Steering Committee). Membro da Comissão de Avaliação Quadrienal Capes - 2017. Bolsista PQ 2 - CNPQ de março/2011 a março/2017. Atua em pesquisa, ensino e orientação nos níveis de IC, graduação, mestrado e doutorado. Coordenadora do Programa de Pós-Graduação em Computação da UFSC de out/2015 a maio/2017. Durante o período de doutorado, realizou estágio sanduíche na University of Washington, Seattle, EUA, no grupo de pesquisa de Banco de Dados e Inteligência Artificial, sob a supervisão do prof. Alon Halevy. Em 2016, atuou como Coordenadora do CTIC/SBC e Coordenadora do WTDSI do SBSI/SBC, além de membro do Comitê Especial de Avaliação da FAPERGS em 2016. Seus interesses de pesquisa incluem as áreas de Gerenciamento de Dados, Recuperação de Informação, Mineração de Dados com ênfase na Web, Descoberta de Conhecimento e Extração e Matching de Informação. Coordena e participa de projetos de pesquisa na área, com publicações científicas em periódicos e anais de conferência de boa qualidade. Participa também como membro de comitês técnicos de programa conferências e workshops realizados no Brasil e no exterior. Atua como revisora Ad hoc de agências de fomento como CNPq, Capes, FAPESC, FAPERGS e FAPESP, bem como CTIC/RNP. Participa como revisora de artigos em periódicos e eventos nacionais e internacionais desde 2000. Atuou como membro do Comitê de Educação da Sociedade Brasileira de Computação entre 2013-2015 e como Coordenadora de Fomento e Apoio à Pesquisa na Pró-Reitoria de Pesquisa da UFSC (PROPESQ/UFSC) no período de 2012-2013. Participa de projetos de colaboração internacional, dentre eles o projeto VIDAS, com a França, dentro do programa CAPES/COFECUB. Em 2005, foi co-idealizadora da Escola Regional de Banco de Dados, e da Sessão de Demos do Simpósio de Banco de Dados. Atuou como Editora da Coluna Bits, Bytes e Batom da revista eletrônica SBC Horizontes. De maio/2017 a fevereiro/2018, em afastamento sem remuneração.

Citas

Apache lucene. https://lucene.apache.org/. (Accessed: 01-2018), 2018.

T. Anwar and M. Abulaish. Ranking radically influential web forum users. IEEE Transactions on Information Forensics and Security, 10(6):1289–1298, 2015.

Ç. Aslay, N. O’Hare, L. M. Aiello, and A. Jaimes. Competition-based networks for expert finding. In Proceedings of the 36th international ACM SIGIR conference on Research and development in information retrieval, pages 1033–1036. ACM, 2013

S. Avard, E. Manton, D. English, and J. Walker. The financial knowledge of college freshmen. College Student Journal, 39(2), 2005.

Y. BAEZA and B. Ribeiro-Neto. Modern Information Retrieval-the concepts and technology behind search. Pearson, 2011.

C. Buckley and E. M. Voorhees. Evaluating evaluation measure stability. In Proceedings of the 23rd annual international ACM SIGIR conference on Research and development in information retrieval, pages 33–40. ACM, 2000.

R.-C. Chen, D. Spina, W. B. Croft, M. Sanderson, and F. Scholer. Harnessing semantics for answer sentence retrieval. In Proceedings of the Eighth Workshop on Exploiting Semantic Annotations in Information Retrieval, pages 21–27. ACM, 2015.

R. L. Cilibrasi and P. M. Vitanyi. The google similarity distance. IEEE Transactions on knowledge and data engineering, 19(3), 2007.

D. H. Dalip, M. A. Gonc¸alves, M. Cristo, and P. Calado. Exploiting user feedback to learn to rank answers in q&a forums: a case study with stack overflow. In Proceedings of the 36th international ACM SIGIR conference on Research and development in information retrieval, pages 543–552. ACM, 2013.

A. R. Faulkner. Automated classification of argument stance in student essays: A linguistically motivated approach with an application for supporting argument summarization. PhD thesis, 2014. Copyright - Database copyright ProQuest LLC; ProQuest does not claim copyright in the individual underlying works; last update - 2016-06-05.

A. Grappy, B. Grau, M.-H. Falco, A.-L. Ligozat, I. Robba, and A. Vilnat. Selecting answers to questions from web documents by a robust validation process. In Web Intelligence and Intelligent Agent Technology (WI-IAT), 2011 IEEE/WIC/ACM International Conference on, volume 1, pages 55–62. IEEE, 2011.

E. H. Hovy, L. Gerber, U. Hermjakob, M. Junk, and C.-Y. Lin. Question answering in webclopedia. In TREC, volume 52, pages 53–56, 2000.

J. A. Hoxmeier and C. DiCesare. System response time and user satisfaction: An experimental study of browser-based applications. AMCIS 2000 Proceedings, page 347, 2000.

N. N. Knupfer and H. McLellan. DESCRIPTIVE RESEARCH METHODOLOGIES. In D. H. Jonassen (Ed.), Handbook of research for educational communications and technology (pp. 1196 - 1212). New York: Macmillan, 1996.

C. R. Kothari. Research methodology: Methods and techniques. New Age International, 2004.

E. M. Lakatos and M. d. A. Marconi. Fundamentos da metodologia cient´ıfica. In Fundamentos da metodologia cient´ıfica. Altas, 2010.

S. L. Lo, R. Chiong, and D. Cornforth. Ranking of high-value social audiences on twitter. Decision Support Systems, 85:34–48, 2016.

C. D. Manning and H. Schu¨tze. Foundations of Statistical Natural Language Processing. MIT Press, Cambridge, MA, USA, 1999.

M. L. Patten. Questionnaire research: A practical guide. Routledge, 2016.

C. F. Picard. Graphs and questionnaires, volume 32. Elsevier, 1980. 21. B. Pôssas, N. Ziviani, W. Meira Jr, and B. Ribeiro-Neto. Set-based vector model: An efficient approach for correlation-based ranking. ACM Transactions on Information Systems (TOIS), 23(4):397–429, 2005.

P. B. Sheatsley, P. H. Rossi, J. D. Wright, and A. B. Anderson. Questionnaire construction and item writing. In Rossi, P.H., Wright, J.D. and Andersen, A.B. (eds) Handbook of Survey Reseach. New York: Academic Press, pp. 195-230., 1983.

W. Song, M. Feng, N. Gu, and L. Wenyin. Question similarity calculation for faq answering. In Semantics, Knowledge and Grid, Third International Conference on, pages 298–301. IEEE, 2007.

R. H. d. Souza and C. F. Dorneles. Analisando a efica´cia do modelo vetorial de busca na ordenac¸a˜o de questiona´rios. XIII Simpo´sio Brasileiro de Sistemas de Informa¸ca˜o, June 2017.

R. H. d. Souza and C. F. Dorneles. Qsmatching: an approach to calculate similarity between questionnaires. The 19th International Conference on Information Integration and Web-based Applications & Services. Short paper, Dec. 2017.

R. H. d. Souza and C. F. Dorneles. Qsmatching vs vector model: comparing effectiveness in questionnaires retrieval. XIV Simpo´sio Brasileiro de Sistemas de Informa¸ca˜o, June 2018.

S. Vieira. Como elaborar questiona´rios. Atlas, 2009.

L. M. Villar, A. J. d. Almeida, M. C. A. d. Lima, J. L. V. d. Almeida, L. F. B. d. Souza, and V. S. d. Paula. A percepc¸a˜o ambiental entre os habitantes da regia˜o noroeste do estado do rio de janeiro. E. Anna Nery Revista Enfermagem, 12(2):285–290, 2008.

R. S. Waslawick. Metodologia de pesquisa para ciˆencia da computa¸c˜ao. Elsevier, Rio de Janeiro, 2014.

C. J. Willmott and K. Matsuura. Advantages of the mean absolute error (mae) over the root mean square error (rmse) in assessing average model performance. Climate research, 30(1):79–82, 2005.

M.-M. G. Wilson, D. R. Thomas, L. Z. Rubenstein, J. T. Chibnall, S. Anderson, A. Baxi, M. R. Diebold, and J. E. Morley. Appetite assessment: simple appetite questionnaire predicts weight loss in community-dwelling adults and nursing home residents. The American journal of clinical nutrition, 82(5):1074–1081, 2005.

Witten and D. Milne. An effective, low-cost measure of semantic relatedness obtained from wikipedia links. In Proceeding of AAAI Workshop on Wikipedia and Artificial Intelligence: an Evolvin.

Publicado

2019-04-17

Cómo citar

Henrique de Souza, R., & Friedrich Dorneles, C. (2019). Comparando a eficácia na recuperação de questionários: QSMatching vs Vector model vs Fuzzy. ISys - Brazilian Journal of Information Systems, 12(1), 100–118. Recuperado a partir de https://seer.unirio.br/isys/article/view/7904

Número

Sección

VERSÕES ESTENDIDAS DE ARTIGOS SELECIONADOS