Lab CORES é uma iniciativa da Universidade Federal do Rio de Janeiro.
Endereço
Av. Athos da Silveira Ramos, 274
Ilha da Cidade Universitária
Rio de Janeiro - RJ
Brasil
Siga-nos em nossas redes sociais
Domínios
Centros Urbanos
Cenário que caracteriza aplicações e soluções voltadas para a resolução de problemas e criação de facilidades em centros urbanos.
Tópicos de Pesquisa: Cidades Inteligentes; Crowdsensing; Colaborações Oportunísticas (sensoriamento oportunístico, redes oportunísticas); Mobilidade Urbana.
Ciência / Academia
Cenário que apresenta aplicações e soluções direcionadas à academia e à pesquisa científica. Ele inclui principalmente pesquisas focadas na análise da produção científica, tecnologias e produtos, bem como a interação entre o cenário e a sociedade.
Tópicos de Pesquisa: Scientometrics (métricas da ciência e produção); Altmetrics (métricas alternativas que visam quantificar outros aspectos da ciência, como impacto na população); Tech mining; Grandes dados acadêmicos (Técnicas para aplicação em dados acadêmicos massivos).
Áreas
Ecossistemas Inteligentes
Área de pesquisa dedicada ao desenvolvimento de modelos, técnicas e práticas computacionais focadas em ecossistemas inteligentes. Um ecossistema é uma metáfora usada para representar arranjos colaborativos em constante evolução. Essas comunidades possuem entidades autônomas com propósitos distintos, criando uma rede complexa de relacionamentos para a coexistência.
Por meio de recursos de computação social, diferentes tipos de ecossistemas inteligentes são analisados, como comunidades empreendedoras, desenvolvimento de software, organizações de inovação e cidades inteligentes. Entre outros objetivos, as pesquisas visam sistematizar o processo de tomada de decisão e melhorar os mecanismos de gestão do conhecimento, transparência e resiliência desses ambientes.
Tópicos de Pesquisa: Educação; Empreendedorismo e Inovação; Gestão do Conhecimento; Sistemas de Apoio à Decisão; Emergência; Governança; Formação de Equipes; Justiça, Responsabilidade, Transparência e Ética na Web.
Sensoriamento e Monitoramento
Através das redes sociais, as pessoas compartilham opiniões, experiências e perspectivas, que podem ser reveladas em diferentes formatos, como texto, imagens, áudio e vídeo. Além disso, podemos identificar níveis sem precedentes de engajamento e participação cidadã. Os usuários podem detectar novos eventos, ajudar no enfrentamento de desastres naturais, doenças, terrorismo e entender o cenário político e apoiar manifestações públicas. Os cidadãos consomem e compartilham informações sobre suas cidades - como problemas, eventos, ideias, sugestões, críticas e demandas - atuando como "sensores humanos", formando opiniões e participando na evolução da cidade. Essa atividade é chamada de "sensoriamento participativo" ou "sensoriamento cidadão", uma forma de participação cidadã no monitoramento ambiental e na ação que é de baixo para cima, capacitando uma comunidade.
Além disso, sensores estão embutidos em nosso ambiente cotidiano, como carros, animais com microchips, elevadores, prédios inteligentes, monitores ambientais e outros. Além disso, muitas pessoas estão carregando algum tipo de dispositivo com sensores - um celular, um tablet, um dispositivo de fitness - dos quais as leituras dos sensores também podem ser obtidas. Nesse caso, as pessoas interagem - direta e indiretamente - com sensores. Isso é às vezes chamado de "sensoriamento humano na malha", capacitando o sensoriamento cidadão com um novo tipo de dado. No sensoriamento cidadão, um sensor não é necessariamente um sensor de hardware, mas pode ser um sensor virtual ou um humano interpretando dados sensoriais.
Tópicos de Pesquisa: IoT Social; Novos tipos de interações humanas e móveis; Identificação de eventos; Problemas em centros urbanos (mobilidade, doenças, etc.); Análise de Emoções e Sentimentos; Perfilamento; Discurso de ódio nas redes sociais; Notícias falsas, bots sociais, desinformação e informação falsa nas redes sociais; Credibilidade e reputação nas redes sociais, Alfabetização Midiática.
Reconhecimento de Padrões
Este grupo é responsável pela criação e aplicação de métodos estatísticos e computacionais para o reconhecimento de padrões em dados estruturados e não estruturados, como textos, imagens e séries temporais. Este módulo é responsável por fornecer soluções para os outros módulos na criação de aplicações inteligentes.
Research Topics: Reconhecimento de padrões em dados de fluxo contínuo; Aprendizado a partir de poucos exemplos (aprendizado de um único exemplo); Aprendizado a partir de conjuntos de dados desbalanceados; Interpretabilidade do modelo; Extração semântica de dados não estruturados (imagens, séries temporais, áudio, etc.); Tratamento de dados para remoção de viés; Descoberta de tópicos (eventos, assuntos) em dados semiestruturados e não estruturados; Recuperação de Informação; Recomendação.
Engenharia de Dados e Semântica
No contexto de Grandes Dados Sociais, o crescimento massivo de dados demanda novas técnicas para acessar, gerenciar, minerar, analisar e atuar sobre os dados. A mineração em tempo real de informações auto-relatadas indiretamente e de sousveillance coletadas das redes sociais pode oferecer dados e insights úteis sobre tendências emergentes e comportamentos de multidões, especialmente em momentos de crises. No entanto, esses dados frequentemente contêm quantidades variáveis de "ruído", desinformação e viés (que podem ser ainda mais "amplificados" pela natureza viral das redes sociais) e geralmente exigem formas avançadas de filtragem e verificação por meio de algoritmos baseados em máquina e especialistas humanos antes de se tornarem suficientemente confiáveis para uso em tarefas de tomada de decisão. Erradicar esses problemas ou diminuir seu efeito pode ser alcançado por meio da verificação de dados com outros nós sensores, mas depende da densidade da rede e da existência de outros dados relacionados.
Portanto, este módulo é responsável pelo desenvolvimento de técnicas para gerenciar o volume massivo de dados sociais, visando ao sensoriamento urbano, lidando com múltiplos fluxos de dados de tipos variados e diferentes níveis de conhecimento dos usuários.
Tópicos de Pesquisa: Benchmarking, Modelagem de Desempenho e Ajuste; Integração de Dados, Gerenciamento de Metadados e Interoperabilidade; Modelos de Dados, Semântica, Linguagens de Consulta; Proveniência de Dados Sociais, Limpeza e Curadoria de Dados; Sistemas de Fluxo de Dados e Redes de Sensores; Visualização de Dados e Exploração Interativa de Dados; Privacidade, Segurança e Confiança; Busca e Extração de Informações; Temporal, Espacial, Móvel e Multimídia.
Ética Computacional
Enfatizamos a ética aplicada ao universo digital com uma lente específica voltada, mas não limitada, ao contexto brasileiro. Nossas investigações atravessam também um viés metacientífico, cobrindo paralelamente as redes de colaboração entre pesquisadores e como estas se formam, evoluem e influenciam a produção científica. Estudamos os aspectos éticos ou morais e as implicações que emergem nas plataformas digitais, inclusive interações acadêmicas. Reconhecendo a riqueza e a diversidade do cenário brasileiro, buscamos garantir que as práticas de pesquisa e colaboração no ambiente digital sejam conduzidas com integridade, transparência e respeito. Nos dedicamos a construir uma base sólida de conhecimento que sirva de guia para a conduta ética no cenário digital brasileiro, valorizando e promovendo as melhores práticas em nossa comunidade acadêmica e de pesquisa.
Tópicos de Pesquisa: Ética Aplicada; Ética Computacional; Ética em Pesquisa (todas estas dedicadas a análise e mineração de redes sociais ou computação social); Metaciência; Teoria crítica; Transparência.
Conteúdo Digital Tóxico
Esta área visa criar soluções para identificar e combater a propagação de conteúdo nocivo nas mídias sociais, como desinformação, discurso de ódio, misoginia, transfobia e pedofilia. A identificação é feita através da análise e detecção de padrões de características do conteúdo (sintaxe, semântica, assuntos abordados, diagramação, além de sentimentos e emoções expressos) e de contexto (características do perfil, da propagação, das interações sobre o conteúdo etc.). Uma vez identificado o conteúdo tóxico, uma das maneiras de combatê-lo é entender o percurso dessa informação. A propagação em multirredes refere-se à disseminação da informação (neste caso, tóxica) através de várias redes interconectadas como redes sociais online, ferramentas de mensageria, redes de notícias, fóruns e outros canais de comunicação. Modelar a propagação nesse contexto pode ajudar a entender como essas informações se espalham, como elas podem se tornar virais e quais fatores influenciam sua disseminação. Sabemos que o combate a este tipo de conteúdo não se dá apenas através de técnicas automáticas ou semiautomáticas. Por isso também criamos mecanismos para apoiar o letramento midiático, ensinando a população a identificar as características de um conteúdo tóxico e como combatê-lo.
Tópicos de Pesquisa: Modelos de Propagação de Informação em Multirrede; Topologias de Redes; Identificação de influenciadores; Identificação de padrões textuais e contextuais; Identificação de Comunidades; Formação de Times; Proveniência da Informação; Letramento Midiático; Crowdsourcing.