Transcrição da Prova — Daiana Maria de Oliveira Vieira

Matrícula: 20233004182 • Turma2 • Prova Escrita 1 (Modelo A)

Data de Publicação

27/10/2026

Data de Modificação

22/10/2026

Transcrição da Prova Escrita 1 — Daiana Maria de Oliveira Vieira

Resposta Manuscrita: > “Avaliação incorreta, a curva de validação ao subir indica overfitting impedindo o uso em produção.”
Observações de Leitura (OCR): Resposta concisa e direta, apontando a subida da curva de validação e o sobreajuste (overfitting).

Resposta Manuscrita: > “Numéricas (idade, sinais vitais) normalização ou padronização: min-max ou Z-score. Categórica (questionário) One Hot Encoding ou Embeddings. A retropropagação calcula gradientes para poder ajustar os pesos.”
Observações de Leitura (OCR): Citação técnica precisa de técnicas de pré-processamento (min-max, z-score, one-hot encoding, embeddings) e cálculo de gradientes para ajuste de pesos.

Resposta Manuscrita: > “Usar conjunto de teste cego, métricas clínicas e fixar random.”
Observações de Leitura (OCR): Menção exata a partição de teste cego, métricas clínicas e fixação de semente aleatória (“fixar random”) para reprodutibilidade.

Resposta Manuscrita: > “Covariate shift muda o brilho e a iluminação, o overfitting tem alto erro na validação. A Rotulação tem inconsistência de anotação.”
Observações de Leitura (OCR): Distingue as três causas com precisão: covariate shift (mudança de iluminação/brilho), overfitting (alto erro de validação) e rotulação (inconsistência de anotação).

Diagrama / Elemento Visual: Sem diagrama desenhado.
Resposta Manuscrita: > “Congelar camadas iniciais da CNN e ajustar as finais (Fine-Tuning), Augmentação com alteração de brilho e o uso de Dropout.”
Observações de Leitura (OCR): Conjunto completo de soluções: congelamento de camadas iniciais, fine-tuning no topo, data augmentation com brilho e dropout.

Resposta Manuscrita: > “Validação cruzada estratificada e Testes estatísticos de significância.”
Observações de Leitura (OCR): Aponta validação cruzada estratificada e testes estatísticos.

Diagrama / Elemento Visual: Círculo em volta do ponto correspondente a \(\hat{p} = 0,50 \implies \text{Real} = 18\%\) na Figura 2.
Resposta Manuscrita: > “Falha da direção, o modelo é superconfiante. Para a previsão de 0,50, a frequência real de piora é apenas de 18% (82% são alarmes falsos). O impacto clínico são as probabilidades previstas não refletem o risco real, gerando fadiga de alarmes e perda de confiança na equipe médica.”
Observações de Leitura (OCR): Resposta excepcional: qualifica o modelo como superconfiante, calcula a taxa de 82% de alarmes falsos e cita expressamente “fadiga de alarmes” e perda de confiança.

Resposta Manuscrita: > “Falso negativo é grave (risco à saúde). Reduzir o limiar para priorizar Recall, respeitando a capacidade máxima médica.”
Observações de Leitura (OCR): Articulação entre redução do limiar, priorização de Recall e respeito à capacidade operacional médica.

Resposta Manuscrita: > “Testes estatísticos e taxa de discordância. Ação seria acionar fallback e re-treinar.”
Observações de Leitura (OCR): Monitoramento via taxa de discordância com acionamento de fallback e retreino.

Resposta Manuscrita: > “O Word2vec é estático, os Transformers são contextualizados. O cosseno mede somente a proximidade temática global, sem garantir a relevância.”
Observações de Leitura (OCR): Contrapõe Word2Vec estático a Transformers contextualizados e aponta o cosseno medindo proximidade global sem garantir relevância.

Resposta Manuscrita: > “O Retorno não garante acerto. Então avaliar com métricas de IR: MRR, NDCG e Recall.”
Observações de Leitura (OCR): Citação técnica exata das métricas consagradas de Information Retrieval: MRR, NDCG e Recall.

Resposta Manuscrita: > “Combinar BM25 com vetores densos. E filtrar por metadados.”
Observações de Leitura (OCR): Proposta híbrida concisa: BM25 léxico + vetores densos + filtros de metadados para governança de normas revogadas.

Resposta Manuscrita: > “Eu penso que é errado mostrar sempre o maior escore (contesto). Abster-se se o escore < \(\tau_1\), ou se \((\text{score}_1 - \text{score}_2) < \tau_2\) é uma ambiguidade.”
Observações de Leitura (OCR): Formalização matemática impecável da política de abstenção com limiar absoluto \(\tau_1\) e margem de ambiguidade \(\tau_2\).

Resposta Manuscrita: > “Priorizar normas recentes via metadados. Validar com testes contendo cenários conflitantes ou sem resposta.”
Observações de Leitura (OCR): Resolução por temporalidade de metadados e validação prévia com casos de teste conflitantes e não respondíveis.

Resposta Manuscrita: > “Monitorar taxa de abstenção. Aumento indica novas dúvidas de utilizadores ou normas desatualizadas/conflitantes no acervo.”
Observações de Leitura (OCR): Identifica aumento na taxa de abstenção como sinal de dúvidas inéditas ou obsolescência normativa.