Ética e responsabilidade no uso das técnicas de Mineração de Dados
DOI:
https://doi.org/10.26853/Refas_ISSN-2359-182X_v12n01_01Palavras-chave:
Mineração de Dados, Ética, TecnologiaResumo
O presente artigo objetiva debater o uso e o tratamento de dados coletados através de técnicas de mineração. A criação de um projeto de análise descritiva e preditiva que usará dados coletados da região de Carapicuíba, demonstra as etapas do processo de mineração, desde a coleta, o tratamento, a interpretação e a avaliação dos resultados, e por fim, a ética no uso dessas informações. As bases de dados coletadas para o artigo foram retiradas da plataforma Data MPE Brasil, um serviço de Produção e Disseminação de informações do Sebrae. As bases de dados referem-se ao crescimento de empresas divididos por setores na região de Carapicuíba entre 2014 e 2024. A técnica de mineração escolhida para o projeto foi a criação de um modelo de Machine Learning de Regressão Linear. O resultado da Regressão Linear foi a previsão, para determinar o possível crescimento dos setores até a próxima década. A pesquisa determinou o crescimento e a diminuição para diversos setores da região. Ao final, foi constatado a necessidade de um tratamento adequado e responsável aos dados para uso em análises estatísticas, garantindo que os resultados sejam éticos, precisos e imparciais.
Downloads
Referências
AWARI. Ética na mineração de dados: considerações e melhores práticas, 2023. Disponível em https://awari.com.br/etica-na-mineracao-de-dados-consideracoes-e-melhores-praticas/?utm_source=blog&utm_campaign=projeto+blog&utm_medium=%C3%89tica%20na%20minera%C3%A7%C3%A3o%20de%20dados:%20considera%C3%A7%C3%B5es%20e%20melhores%20pr%C3%A1ticas#:~:text=A%20%C3%A9tica%20na%20minera%C3%A7%C3%A3o%20de%20dados%20exige%20que%20as%20organiza%C3%A7%C3%B5es,de%20medidas%20corretivas%2C%20quando%20necess%C3%A1rio. Acesso em 7 maio. 2024.
AWS. O que é regressão linear? 2023. Disponível em https://aws.amazon.com/pt/what-is/linear-regression/. Acesso em 21 maio 2024.
DEVMEDIA. Descoberta de conhecimento utilizando o processo KDD, 2017. Disponível em https://www.devmedia.com.br/descoberta-de-conhecimento-utilizando-o-processo-kdd/38709. Acesso em 7 maio. 2024.
MARIO Filho. As Métricas Mais Populares para Avaliar Modelos de Machine Learning, 2018. Disponível em https://mariofilho.com/as-metricas-mais-populares-para-avaliar-modelos-de-machine-learning/#precis%C3%A3o-precision. Acesso em 21 maio 2024.
OLIVEIRA, Clébio de. Métricas para Regressão: Entendendo as métricas R², MAE, MAPE, MSE e RMSE. Medium, 2021. Disponível em https://medium.com/data-hackers/prevendo-n%C3%BAmeros-entendendo-m%C3%A9tricas-de-regress%C3%A3o-35545e011e70. Acesso em 21 maio 2024.
RIBEIRO, Débora. Ética. Dicionário Online de Português, 2024. Disponível em https://www.dicio.com.br/etica/. Acesso em 21 maio. 2024.
SHASHKO, Daniel. As 10 principais técnicas de mineração de dados. Astera, 2024. Disponível em https://www.astera.com/pt/type/blog/top-10-data-mining-techniques/. Acesso em 7 maio. 2024.
TOTVS. Mineração de dados: o que é, importância e ferramentas, 2022. Disponível em https://www.totvs.com/blog/negocios/mineracao-de-dados/. Acesso em 7 maio. 2024.
ZENDESK. 4 tipos de análise de dados para criar estratégias certeiras, 2023. Disponível em https://www.zendesk.com.br/blog/tipos-analise-de-dados/#section-3. Acesso em 21 maio 2024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Refas - Revista Fatec Zona Sul
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
1 - As fontes dos dados, as autorizações pertinentes e os textos publicados na revista são de inteira responsabilidade de seus autores.
2 - É permitida a reprodução, desde que citada a fonte e o autor.
3 - Após o artigo aprovado, o autor principal deverá enviar declaração, conforme o modelo:
Refas - Revista Fatec Zona Sul
Autorização par publicação
(Nome do autor), (no caso de vários autores citar todos), autorizo (ou autorizam, no caso de diversos autores) a publicação do artigo (nome do artigo), com exclusividade para a primeira publicação pela Revista Fatec Zona Sul, em meio eletrônico.
A contribuição é original e inédita, e não está sendo avaliada para publicação por outra revista; caso contrário, deve-se justificar em "Comentários ao editor".
Dados de todos os autores:
Nome completo:
Instituição:
E-mail:
Telefone:
Obs.: Informar os códigos dos serviços DDD e DDI.
Assinatura do autor principal: ____________________________________
Aviso de Direito Autoral
Autores que publicam nesta revista concordam com os seguintes termos:
a) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
b) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
c)Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons CC Attribution 4.0, acessável em Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.