Defesa de Proposta de Tese de Doutorado de Silvana de Andrade Gonçalves, 15/04/25, 14h, por videoconferência
Link para defesa: meet.google.com/zbz-bsuq-yqd
Análise Temporal de Regras de Associação com Aplicações em Engenharia de Software
Resumo:
A descoberta de conhecimento em bases de dados é essencial para identificar padrões úteis e compreender fenômenos complexos em diversos domínios. Dentro desse contexto, a mineração de regras de associação permite extrair relações significativas entre variáveis, sendo amplamente utilizada em áreas como negócios, saúde e Engenharia de Software. No entanto, a maioria das abordagens tradicionais desconsidera a evolução desses padrões ao longo do tempo. Esta tese propõe uma metodologia para a análise temporal de regras de associação, permitindo identificar e interpretar a evolução de padrões dinâmicos em conjuntos de dados. Para validar a abordagem, a metodologia é aplicada em três estudos de caso no contexto da Engenharia de Software: (i) a influência do arquivo contributing.md na aceitação de pull requests, (ii) o impacto da automação com GitHub Actions e (iii) a análise reversa de variações temporais para identificar suas possíveis causas. A abordagem combina técnicas quantitativas e qualitativas, permitindo não apenas detectar mudanças nos padrões ao longo do tempo, mas também investigar os fatores que as influenciam. Como resultado, a tese contribui para a evolução das técnicas de mineração de padrões temporais e sua aplicação em diferentes domínios, além de fornecer uma ferramenta para apoiar a análise temporal de regras de associação.
Abstract:
Knowledge discovery in databases is essential for identifying useful patterns and understanding complex phenomena across various domains. In this context, association rule mining enables the extraction of meaningful relationships between variables and is widely applied in areas such as business, healthcare, and Software Engineering. However, most traditional approaches overlook the temporal evolution of these patterns. This thesis proposes a methodology for the temporal analysis of association rules, allowing the identification and interpretation of dynamic pattern evolution in datasets. To validate the approach, the methodology is applied to three case studies in the Software Engineering domain: (i) the influence of the contributing.md file on pull request acceptance, (ii) the impact of automation with GitHub Actions, and (iii) a reverse analysis of temporal variations to identify their possible causes. The proposed approach combines quantitative and qualitative techniques, enabling not only the detection of pattern changes over time but also an investigation of the factors driving these changes. As a result, this research contributes to the advancement of temporal pattern mining techniques and their application across different domains, while also providing a tool to support the temporal analysis of association rules.
Banca examinadora:
Prof. Alexandre Plastino de Carvalho, UFF – Presidente
Prof. Leonardo Gresta Paulino Murta, UFF
Prof. Daricélio Moreira Soares, UFAC
Prof. Igor Scaliante Wiese, UTFPR