No description available.

A pós-verdade, termo brevemente definido como a desvalorização dos factos em detrimento dos interesses pessoais, apresenta como principal fenómeno as notícias falsas. Essas formas mediáticas de manipulação dos textos e imagens encontra o apogeu num ambiente info-comunicacional polarizado, onde o discurso sobre a verdade não é único. Essa subtil interseção entre a política e a filosofia na contemporaneidade marca a ressignificação da verdade e fornece amostras do impacto dessa estratégia em diversas democracias ocidentais. A partir dessa observação, este trabalho propõe um estudo de caso que explora como os jogos críticos podem fazer emergir o pensamento crítico no jogador, promovendo a literacia mediática. Para isso, foi desenvolvido um protótipo funcional chamado Lado B, orientado para a exploração da literacia procedural, conceito que remete à leitura, escrita e crítica sobre o sistema de jogos. Jovens estudantes do ensino superior e jornalistas foram entrevistados após testes e reportaram a experiência com o gameplay e a compreensão crítica acerca das questões abordadas no jogo, providenciando um exercício do pensamento crítico a respeitante ao mundo, ou seja, já fora da diegese do jogo. A partir dos comportamentos que emergem dessa experiência, traçou-se uma análise entre o jogador e o sistema de jogo, centrada na ação do jogo - nas interações que o levaram à experiência; e no significado do jogo - o aprendizado e a reflexão crítica sobre o contexto. Lado B não é um protótipo imutável. É o ponto inicial de um estudo que pode ser ampliado simbioticamente com outras áreas de conhecimento, como a Computação, o Design e a Educação. Essa sinergia converge com a transversalidade do protótipo em levantar discussões filosóficas a respeito da moral e da ética do indivíduo em sociedade. É também uma orientação aos programadores e design de jogos, para que tenham em mente que os jogos críticos têm a capacidade de minimizar erros e estratégias de destruição da capacidade do ser humano de pensar criticamente. / Post-truth is a term related to circumstances in which objective facts are less influential than appeals to emotion, and it is denoted as the fake news phenomenon. These mediatic strategies of texts and images converge to a polarized media environment, where the discourse about truth is unique. This subtle intersection between politics and philosophy depicts a redetermination of truth, and provides samples of its strategy's impacts on various occidental democracies in contemporaneity. Grounded on these perspectives, this work proposes a case study that explores affordances of critical games to emerge critical thinking in their players, promoting news literacy. For this, a functional prototype, named as Lado B, had developed oriented to the exploration of procedural literacy, concept that depicts to reading, writing, and critiquing of games systems. Young higher education students and journalists were interviewed after tests, and reported their play experience and their critical understanding of the issues addressed in game, providing a critical practical of thinking about the world outside the prototype diegesis. From the behaviours that emerge from this experience, an analysis was drawn between the players and the game system, centered on the action of the game - on the interactions that led them to the experience; and in the meaning of the game - learning and critical reflection on the context.With this in mind, Lado B can not be considered as an immutable prototype. The case study might be extended, either improved by other fields such as Computing Science, Design, and Education. The synergy that emanates from its transversality may contribute to discuss moral and ethical individuals issues in society. It is also a guideline for programmers and game designers to keep in mind that critical games have the ability to minimize errors and strategies to destroy the human being's ability to think critically.

No description available.

No description available.

No description available.

O estudo sobre geração de features tem aumentado conforme os anos, é um dos maiores desafios para Machine Learning. Totalmente dependente de conhecimento de domínio é uma área que se feita de forma manual consome muito tempo e não é escalável. Por sua vez, meta-learning auxilia o aprendizado através diferentes domínios. Nos apresentamos uma abordagem de automação de geração de features que utiliza o meta-learning como auxílio na seleção de features. Considerando que geramos uma grande quantidade de features, usamos o conhecimento de 100 data sets de diferentes domínios para responder à pergunta se devemos ou não gerar features para um data set e também quais features. Nosso experimento mostrou que é possível utilizar o meta-learning no processo de seleção, podendo nos informar se devemos ou não gerar o conjunto de features automáticas para um determinado data set, obtendo 66.96% de taxa de acerto, enquanto a nossa baseline é de 50%, nos provamos estatisticamente que a nossa taxa de acerto é melhor do que a baseline em 88% dos casos.Infelizmente, não obtivemos um excelente resultado a nível base ao utilizar apenas as features que foram selecionadas individualmente, porém ao nível meta obtemos um resultado de 65.52% de taxa de acerto ao prever quais features individuais supostamente trariam melhora na performance do modelo. Considerando que a nossa baseline é de 39%, nos estatisticamente provamos que nossa taxa de acerto é melhor que a baseline em 93% dos casos.Os resultados nos mostram que meta-learning pode ser utilizado no auxílio de geração e seleção de features, entretanto a nossa abordagem ainda pode ser aprimorada sendo mais assertiva nas previsões a nível meta e melhores resultados a nível base. Nosso código esta disponível em https://github.com/guifeliper/automated-feature-engineering. / The study on feature generation has grown over the last years, is one of the biggest challenges for Machine Learning. Entirely dependent on domain knowledge, it is an area that if done manually, is time-consuming and not scalable. In turn, meta-learning helps to learn through different domains and can bring benefits to this area.We present an automated feature engineering approach that uses meta-learning as an assistant in the selection of features. Considering that we generate a large number of features, we use the knowledge of 100 data sets from different domains to answer the question of whether or not to create features for a data set and also what features to use.Our experiment showed that it is possible to use meta-learning in the selection process, and can inform us whether or not we should generate the set of automatic features for a given data set, obtaining 66.96% of accuracy, while the overall baseline is 50% and statistically, our accuracy is proved to be better than the baseline at 88% of the cases.Unfortunately, we did not get an excellent result in the base level by using only the features that were selected individually, but at the meta level, we get a 65.52% of accuracy, when predicting which individual features would supposedly bring improve for the performance. Considering that our overall baseline is 39%, we statistically proved that our accuracy is better than the baseline at 93% of the cases.The results show that meta-learning can be used to aid the generation and selection of features. However, our approach can still be improved, being more precise in the predictions at the meta-level and better results at the base level. Our code is available at https://github.com/guifeliper/automated-feature-engineering.

No description available.

No description available.

No description available.

No description available.