Categoria:Notícias

Discente: Felipe Mello Fonseca

Título: DETECÇÃO DE VULNERABILIDADES EM SMART CONTRACTS: UM ESTUDO COM FERRAMENTAS AUTOMATIZADAS

Orientadores: Diogo Silveira Mendonça e Pedro Henrique Gonzalez

Banca: Diogo Silveira Mendonça (Cefet/RJ), Pedro Henrique Gonzalez (UFRJ), Kele Teixeira Belloze (Cefet/RJ) e José Augusto Miranda Nacif (UFV)

Dia/Hora: 21/08/2026, às 8h30

Sala: https://teams.microsoft.com/meet/290006386263688?p=ICWKLlepYzGWKoe2Ly

Resumo: A blockchain é uma tecnologia com aplicações em diversas áreas, como finanças, votação eletrônica e Internet das Coisas. Nesse contexto, as transações são frequentemente mediadas por  smart contracts, programas autoexecutáveis escritos predominantemente em Solidity. Por manipularem valores expressivos em criptomoedas, esses contratos são alvos frequentes de ataques, tornando a detecção automatizada de vulnerabilidades um desafio técnico relevante. Este trabalho apresenta dois conjuntos de experimentos complementares. No primeiro, avalia-se a evolução das ferramentas de análise estática Mythril e Slither sobre os contratos do  dataset SmartBugs Curated, segundo a taxonomia DASP, confrontando os resultados com classificações previamente validadas manualmente. No segundo, avalia-se o desempenho do Gemini 2.0 Flash na mesma tarefa de detecção, comparando-o aos resultados reportados para o GPT-4 na literatura. Os resultados indicam que as versões mais recentes das ferramentas tradicionais apresentam avanços concretos, sobretudo na redução de falsos positivos, embora limitações persistam em determinadas categorias de vulnerabilidade. As LLMs demonstraram potencial como mecanismo de apoio em triagens preliminares,  especialmente pela sua acessibilidade, porém ainda exigem validação humana para auditorias de sistemas críticos.  Em conjunto, os experimentos reforçam que a combinação de múltiplas abordagens é o caminho mais promissor para aumentar a confiabilidade dos  smart contracts antes de sua publicação na blockchain.

Discente: Felipe de Ávila Tavares

Título: Efeito da Cardinalidade e da Associação entre Atributos na Imputação de Dados Categóricos

Orientador: Jorge de Abreu Soares

Banca: Jorge de Abreu Soares (Cefet/RJ), Diego Nunes Brandão (Cefet/RJ), Ronaldo Ribeiro Goldschmidt (IME)

Dia/Hora: 25/08/2026 às 14h30

Sala: Pavilhão I, sala P1-202 (laboratório 6)

Resumo:  Esta dissertação investiga o problema da imputação de dados categóricos, com foco na análise comparativa de diferentes métodos de imputação e na influência das características estruturais das bases de dados sobre o desempenho dessas abordagens. O estudo considera três cenários distintos: bases simples, compostas predominantemente por atributos numéricos; bases mistas, contendo atributos numéricos e categóricos; e bases totalmente categóricas. A metodologia proposta envolve a geração artificial de valores ausentes segundo o mecanismo Missing Completely at Random (MCAR), em taxas de 10%, 20% e 30%, utilizando múltiplas sementes aleatórias para avaliar a estabilidade dos métodos analisados. Foram investigadas abordagens baseadas em KNN, Multi-Layer Perceptron (MLP) e Random Forest, considerando tanto a acurácia de imputação quanto o desempenho de classificadores treinados sobre os dados imputados. Além disso, o coeficiente V de Cramer foi utilizado para analisar a influência da correlação entre atributos categóricos no processo de imputação. Os resultados obtidos indicam que métodos baseados em modelos globais, especialmente Random Forest, apresentam maior robustez e estabilidade frente ao aumento da taxa de ausência e à complexidade estrutural das bases, enquanto o KNN demonstra maior sensibilidade à heterogeneidade e à redução da informação disponível. Os achados reforçam a importância de considerar características como cardinalidade e correlação entre atributos na escolha do método de imputação mais adequado.

Discente: André Igor Pereira

Título: AranduFlow: Rumo ao uso de metadados de desempenho e domínio para prever tempo de execução de workflows em ambientes de HPC

Orientadores: Rafaelli Coutinho (Orientadora) e Daniel de Oliveira (Coorientador)

Banca: Rafaelli Coutinho (Cefet/RJ), Daniel de Oliveira (IC/UFF),  Eduardo Ogasawara (Cefet/RJ), Victor Stroele de Andrade Menezes (UFJF)

Dia/hora:  11 de agosto de 2026, às 14h

Sala: https://teams.microsoft.com/meet/218267218561286?p=zCgPEPHZ496sanbuRF

Resumo: A predição do tempo de execução é um desafio central para aplicações baseadas em workflows executadas em ambientes de Computação de Alto Desempenho (HPC). A variabilidade nos dados de entrada, nos parâmetros de execução e nas configurações da infraestrutura torna o espaço de busca complexo, embora tais estimativas sejam fundamentais para decisões de seleção de recursos. Este trabalho apresenta o AranduFlow, um gateway adaptável a diferentes workflows que oferece suporte à submissão de workflows e fornece predições de tempo de execução com base em dados históricos de execução e modelos de aprendizado de máquina. O AranduFlow complementa os escalonadores HPC existentes ao oferecer suporte preditivo à tomada de decisão sem interferir nas políticas de escalonamento ou na execução. A abordagem é avaliada utilizando dois workflows reais de domínios distintos executados em múltiplos clusters de HPC sob diferentes condições. Os resultados experimentais indicam que o AranduFlow apresenta desempenho competitivo na predição de faixas de tempo de execução, com modelos baseados em árvores de decisão oferecendo um equilíbrio favorável entre desempenho preditivo e interpretabilidade.

Discente: Edson Landim de Almeida

Título: Estimativa do Carbono Orgânico do Solo por Abordagens Quantílicas e Inteligência Artificial Explicável

Orientadores: Diego Brandão (orientador) e Jorge Soares (coorientador)

Banca: Diego Brandão (Cefet/RJ), Jorge Soares (Cefet/RJ), Kele Belloze (Cefet/RJ) e Marcos Ceddia (UFRRJ)

Dia/hora: 15 de maio de 2026, às 9h.

Sala: https://teams.microsoft.com/meet/272684253086940?p=V1Gq8L6jg3r6sPZIuq

Resumo: O carbono orgânico do solo (COS) desempenha um papel central nos ciclos biogeoquímicos, na fertilidade dos solos e na mitigação das mudanças climáticas, constituindo um dos maiores reservatórios de carbono do sistema terrestre. A quantificação direta do COS por métodos laboratoriais, embora precisa, é onerosa, demorada e limita a densidade amostral em levantamentos de grande escala. Nesse contexto, técnicas estatísticas e de aprendizado de máquina têm sido utilizadas para estimar o teor de carbono a partir de atributos edáficos e ambientais mais facilmente obtidos. Este trabalho investiga a estimativa do carbono orgânico do solo a partir de dados pedológicos disponibilizados pela Empresa Brasileira de Pesquisa Agropecuária (Embrapa), integrando regressão linear múltipla, Random Forest, Quantile Regression Forests (QRF) e técnicas de Inteligência Artificial Explicável baseadas em SHAP. A regressão linear múltipla foi utilizada como linha de base interpretável, enquanto o Random Forest foi empregado para capturar relações não lineares e interações entre atributos do solo. A abordagem quantílica baseada em florestas aleatórias permitiu analisar diferentes regiões da distribuição condicional do COS, considerando os quantis 0,1, 0,5 e 0,9. Os resultados evidenciaram que a estimativa do COS é marcada por elevada variabilidade, assimetria e heterocedasticidade, com diferenças relevantes entre os usos da terra avaliados. O modelo Random Forest convencional foi capaz de representar tendências gerais dos dados, mas apresentou maior dispersão dos erros nas faixas de carbono mais altas. O modelo QRF ampliou a análise ao permitir a representação de limites inferiores, medianas e limites superiores da resposta, oferecendo uma leitura mais informativa da incerteza associada às predições. A análise com SHAP indicou a relevância de atributos relacionados à cor do solo, profundidade e textura, em coerência com o conhecimento pedológico. Em conjunto, os resultados indicam que a integração entre modelos baseados em árvores, abordagem quantílica e técnicas de explicabilidade constitui uma estratégia promissora para a estimativa e interpretação do carbono orgânico do solo, contribuindo para o avanço de metodologias aplicadas ao mapeamento digital do solo e ao monitoramento ambiental.

Discente: Ana Gabriela Viana de Araújo

Título: Aplicação de métodos baseados em concept drift para previsão de gols no futebol profissional

Orientador: Jorge de Abreu Soares

Banca: Jorge  de Abreu Soares (Cefet/RJ), Glauco Fiorott Amorim (Cefet/RJ), Pedro Henrique González Silva (UFRJ), Carlos Eduardo Ribeiro de Mello (Unirio)

Dia/Hora: 13/05/2026 às 9h

Sala: https://teams.microsoft.com/meet/235075217075845?p=ezgpJ8dNRKnMa8dTfM

Resumo:  Este trabalho investiga a aplicação de técnicas de detecção de concept drift para a identificação antecipada de gols em partidas de futebol, com base em dados de eventos intra-partida. A abordagem trata o problema como monitoramento de mudanças na
distribuição de passes intra-partida, utilizando drift virtual operacionalmente, isto é, detecção baseada exclusivamente em P(X) sem rótulos em tempo real, com a premissa de que essas mudanças precedem alterações na probabilidade de gol. A robustez dos resultados é verificada por divisão temporal com 190 partidas de treino e 190 de teste. Foram utilizados dados da temporada 2015/2016 da La Liga: 380 partidas, agregadas em intervalos de um minuto, com análise tanto do comportamento ofensivo quanto defensivo. Três detectores de drift foram avaliados (Page-Hinkley, KSWIN e ADWIN) em comparação com baselines determinístico e estocástico, utilizando como sinal de entrada médias móveis da frequência de passes. A avaliação adota uma variante assimétrica do SoftED evaluation, que penaliza alarmes tardios por meio de uma função de pontuação linear decrescente na janela [t-K,t], com K=10 minutos. Os resultados indicam que o Page-Hinkley obteve o maior MCC entre os detectores avaliados, superando ambos os baselines; Page-Hinkley e KSWIN apresentaram F1 equivalentes, com vantagem marginal do KSWIN. A comparação com abordagem supervisionada da literatura evidencia que o método proposto, embora mais simples e sem necessidade de dados rotulados, atinge desempenho competitivo a partir da primeira partida. Discutem-se limitações da abordagem, incluindo o uso de passes como único sinal proxy e a restrição a uma única temporada, além de perspectivas para trabalhos futuros com variáveis multivariadas e análise longitudinal.

Discente: Daiane de Ascenção Cardoso

Título:  Método para Avaliação da Acessibilidade em Visualizações de Ontologias Biomédicas

Orientadores: Kele Teixeira Belloze (orientadora) e Felipe da Rocha Henriques (coorientador)

Banca: Kele Teixeira Belloze (Cefet/RJ), Felipe da Rocha Henriques (Cefet/RJ), Ingrid Monteiro (UFC), Glauco Amorim (Cefet/RJ) e Luis Carlos dos Santos Coutinho Retondaro (Cefet/RJ)

Dia/Hora: 11/05/2026 / 13:30

Sala: https://teams.microsoft.com/meet/218701639098481?p=ZeSHhNfSekBnHMS8F8

Resumo: Ontologias biomédicas são fundamentais para estruturar e comunicar conhecimento científico, mas representá-las de forma acessível permanece um desafio. Esta dissertação propõe um método sistemático e automatizável para avaliar a acessibilidade de visualizações de ontologias. Uma análise qualitativa por triangulação metodológica (usabilidade, comunicabilidade e acessibilidade) evidenciou a ausência de critérios objetivos nas ferramentas existentes. Em seguida, geraram-se 3.048 visualizações parametrizadas da classe Hemoglobin da Sickle Cell Disease Ontology (SCDO) em três configurações de contraste. Uma amostra foi rotulada manualmente pelo modelo PCHRD (Perceptível, Compreensível, Hierarquicamente claro, Rotulado efetivamente e Diferenciado), adaptado do framework Chartability, revelando assimetria combinatória relevante: há mais formas de uma visualização ser inacessível do que acessível. Um Random Forest foi aplicado em duas iterações — sondagem da prevalência (confirmando a rotulagem) e prova de conceito com curadoria dirigida pelo PCHRD —, indicando que atributos visuais carregam sinal discriminativo. Para verificar a aplicabilidade real, construiu-se um corpus de imagens de artigos do Journal of Biomedical Semantics, classificadas por modelos multimodais (Claude Haiku 4.5 e GPT-4o-mini) e avaliadas manualmente. Por fim, empregou-se Chain-of-Thought para inspecionar o raciocínio dos modelos na aplicação dos critérios PCHRD, comparando classificações automáticas e julgamentos humanos. Os resultados indicam que o método prevê níveis de acessibilidade a partir de características gráficas e que o raciocínio explícito torna os modelos mais restritivos na identificação de barreiras perceptivas, podendo subsidiar design inclusivo na visualização de ontologias biomédicas. O trabalho oferece um protocolo replicável, formaliza o PCHRD como instrumento de avaliação e busca, e preenche uma lacuna na mensuração quantitativa da acessibilidade em visualização da informação.

Discente: Jorge Nelson de Souza Pavão

Título: Modelos de linguagem de grande porte para a identificação de conluio em licitações

Orientadores: Kele Teixeira Belloze (orientadora) e Diego Nunes Brandão (coorientador)

Banca: Kele Teixeira Belloze (CEFET/RJ), Diego Nunes Brandão (CEFET/RJ), Raissa dos Santos Barcellos (UERJ), Eduardo Bezerra da Silva (CEFET/RJ)

Data/Hora: 06 de maio de 2026, às 16h30

Local: Sala E-520 (Bloco E, 5º andar, Cefet/Maracanã)

Resumo:  A prática de conluio em licitações públicas, caracterizada por acordos ilícitos entre empresas concorrentes, gera prejuízos econômicos relevantes, reduz a eficiência das contratações e compromete a confiança nas instituições. Diversos trabalhos têm empregado algoritmos de aprendizado de máquina e variáveis estatísticas para identificar indícios desse tipo de fraude, porém ainda persistem desafios como escassez de dados rotulados, dificuldade de generalização e desempenho inconsistente entre diferentes bases de dados. Neste contexto, esta dissertação investiga o potencial de Modelos de Linguagem de Grande Porte (Large Language Models – LLMs) na detecção de indícios de conluio a partir de dados numéricos de processos licitatórios. Foram avaliados modelos de diferentes fornecedores por meio de duas estratégias: engenharia de prompt e fine-tuning supervisionado. Os experimentos foram conduzidos com três conjuntos de dados reais — Brasil, Estados Unidos e Suíça — e os resultados foram comparados com os de algoritmos tradicionais reportados na literatura. Os resultados mostram que a engenharia de prompt não produziu desempenho satisfatório. Com fine-tuning, por sua vez, os LLMs superaram os algoritmos tradicionais em apenas um dos três cenários avaliados. Considerando conjuntamente desempenho, custo e complexidade de implementação, conclui-se que, no momento atual, os algoritmos tradicionais apresentam melhor relação custo-benefício na tarefa avaliada, sendo que os LLMs podem atuar como alternativa complementar em cenários específicos nos quais os métodos clássicos não alcancem resultados satisfatórios ou situações que envolvam dados textuais.

Discente: Balthazar da Silva Cunha Paixão

Título: Analisando a Robustez de Redes de Passes em Futebol usando Redes Complexas

Orientador: Glauco Fiorott Amorim

Banca:  Glauco Fiorott Amorim (PPCIC-Cefet/RJ),  Pedro Henrique Gonzalez Silva (PPCIC-Cefet/RJ) e  Claudio Miceli de Farias (COPPE/UFRJ)

Dia/Hora: 04/05/2026, às 07h

Sala: https://teams.microsoft.com/meet/258717362035218?p=8XGFKontHejSUpL3Ou

Link alternativo: https://meet.google.com/icf-miyw-pzi

Resumo: Este trabalho investiga a relação entre a estrutura das redes de passe no futebol e o sucesso competitivo das equipes ao longo de uma temporada. Partindo da hipótese de que propriedades estruturais dessas redes estão associadas ao sucesso competitivo, operacionalizado pela posição final na classificação, o futebol é modelado como um sistema complexo de interações coletivas. As redes de passe são representadas como grafos direcionados e ponderados, nos quais os vértices correspondem aos jogadores e as arestas aos passes realizados entre eles. Propõe-se a IHG, uma métrica fundamentada no intervalo interquartil da distribuição de medidas de importância estrutural, desenhada para mensurar a heterogeneidade na participação dos atletas na rede de passes. A análise empírica considera cinco das principais ligas europeias — La Liga, Premier League, Ligue 1, Serie A e Bundesliga — na temporada 2015/16. Para cada equipe e partida, são construídas redes em estado integral, a partir das quais são calculadas métricas estruturais clássicas e aplicadas perturbações progressivas por meio da remoção de nós e arestas até um limite mínimo estrutural. Os dados sugerem que a IHG constitui um indicador estável para associar a organização da rede ao sucesso competitivo. Os resultados indicam que múltiplas propriedades topológicas apresentam associação com a posição final das equipes, embora com padrões distintos entre as ligas analisadas. Em particular, métricas associadas à conectividade global, coesão estrutural e reciprocidade mostram associações mais fortes em ligas como a Serie A e a Bundesliga. Por outro lado, a Premier League apresenta menor sensibilidade às métricas globais tradicionais, sendo a IHG a medida mais consistentemente associada ao desempenho, resultado interpretado à luz das especificidades da temporada atípica de 2015/16. A análise sob perturbação revela que a robustez estrutural não se distribui de maneira uniforme entre as métricas, sendo que apenas um subconjunto — sobretudo aqueles associados à coesão estrutural e, em menor grau, à eficiência de transporte — preserva capacidade discriminativa após a degradação da rede. Os achados corroboram a hipótese de pesquisa, indicando que não existe uma única propriedade estrutural determinante do sucesso competitivo, mas sim um conjunto de características topológicas cuja relevância depende do contexto competitivo. Por fim, o trabalho estabelece uma abordagem integrada para a análise estrutural e de robustez em redes de passe, permitindo avaliar não apenas a organização coletiva das equipes, mas também sua capacidade de preservar propriedades funcionais sob perturbações.

Discente: Vanessa Santos Soares

Título: Avaliação de modelos de aprendizado de máquina para a correção automática de redações segundo as competências do ENEM

Orientadores: Eduardo Bezerra da Silva (orientador) e Gustavo Paiva Guedes e Silva (coorientador)

Banca: Eduardo Bezerra da Silva (Cefet/RJ), Gustavo Paiva Guedes e Silva (Cefet/RJ), Geraldo Bonorino Xexéo (UFRJ) e Diego Moreira de Araújo Carvalho (Cefet/RJ)

Dia/Hora: 11 de maio de 2026 / 9h

Sala: https://teams.microsoft.com/meet/23323520592245?p=fnhxrL9byDTK3YLLbi

Resumo: Com o crescimento do ensino remoto e a aplicação de exames de larga escala como o ENEM, a automatização da correção de textos discursivos tornou-se uma necessidade crescente. Este trabalho investiga diferentes estratégias de aprendizado de máquina para avaliação automática de redações em língua portuguesa, tomando como referência as cinco competências avaliativas do ENEM. Para isso, foram analisadas 9.599 redações coletadas do portal Vestibular Brasil Escola, abrangendo 102 temas publicados entre 2009 e 2024. São comparadas duas linhas de abordagem: (i) métodos tradicionais baseados em TF-IDF e features linguísticas extraídas dos textos, e (ii) modelos de linguagem pré-treinados com fine-tuning (XLM-RoBERTa com LoRA). O desempenho dos modelos é avaliado por meio da métrica Quadratic Weighted Kappa (QWK), que mede a concordância com corretores humanos. Espera-se demonstrar que modelos pré-treinados oferecem ganhos expressivos em robustez e confiabilidade, superando abordagens baseadas em engenharia de atributos. O estudo contribui para o avanço da área de Automatic Essay Scoring (AES) em português, oferecendo um benchmark e análise comparativa que podem apoiar futuras pesquisas e aplicações educacionais.

Discente: Gustavo Melo

Título: Reconhecimento de Entidades Nomeadas em Relatos Criminais Informais com Apoio de Metadados Estruturados

Orientadores: Eduardo Bezerra da Silva (orientador) e Karla Figueiredo (coorientadora)

Banca: Eduardo Bezerra da Silva (Cefet/RJ), Karla Figueiredo (UERJ), Gustavo Paiva Guedes (Cefet/RJ), Kele Teixeira Belloze (Cefet/RJ) e Ronaldo Ribeiro Goldschmidt (IME/RJ)

Dia/Hora: 12 de maio de 2026 / 09:00h

Sala: https://teams.microsoft.com/l/meetup-join/19%3ameeting_OWQ3ZTg5YzEtZjRmZC00NjkwLTg0MWUtYTBhODdkYTQwYTA0%40thread.v2/0?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%22049f2b6a-7ad4-4096-a3ed-db846537c488%22%7d

Resumo: O presente trabalho investiga o problema do reconhecimento de entidades nomeadas em relatos criminais informais registrados no serviço Disque Denúncia. Esses relatos, frequentemente marcados por linguagem coloquial, erros ortográficos e estrutura textual livre, impõem desafios significativos ao uso de modelos tradicionais de Processamento de Linguagem Natural. Além do texto livre, os relatos são acompanhados de metadados estruturados, como tipo de ocorrência, localização e data que podem fornecer contexto adicional relevante para a tarefa. Neste estudo, propõe-se uma abordagem baseada em fine-tuning de modelos de linguagem de grande porte, utilizando um corpus manualmente anotado com entidades do tipo Pessoa, Local e Organização. Para contornar a escassez de dados rotulados, a metodologia inclui a aplicação de pseudo-rotulagem em um segundo corpus, significativamente maior, expandindo assim a base de treinamento de forma semissupervisionada. Adicionalmente, os metadados dos relatos são incorporados como fonte de contexto tanto no pré-processamento quanto no processo de avaliação e refinamento dos modelos. Os experimentos foram conduzidos com o modelo GliNER e avalia que a utilização de metadados e pseudo-rotulação pode contribuir para melhorar a performance dos modelos em corpora informais, com impactos positivos para a extração automatizada de informações em contextos de segurança pública. Os resultados reforçam o potencial de abordagens híbridas e sensíveis ao domínio para aplicações reais de Processamento de Linguagem Natural em ambientes com escassez de rótulos anotados.

Discente: Matheus dos Santos Moura

Título: Detecção Híbrida de Anomalias e Pontos de Mudança para Esquemas de Pump-and-Dump em Corretoras Centralizadas de Criptomoedas

Orientador: Diogo Silveira Mendonça

Banca: Diogo Silveira Mendonça (Cefet/RJ), Eduardo Soares Ogasawara (Cefet/RJ) e Igor Machado Coelho (UFF)

Dia/Hora: 18 de fevereiro de 2026 / 15:00

Sala: https://teams.microsoft.com/l/meetup-join/19%3ameeting_ZGFkNGM1MzMtOGMzNi00OWU5LTkzYjUtY2JhNGQxZmQzZjBl%40thread.v2/0?context=%7b%22Tid%22%3a%228eeca404-a47d-4555-a2d4-0f3619041c9c%22%2c%22Oid%22%3a%226821740b-ed93-4582-b3a3-b3bfbff6624e%22%7d

Resumo: O rápido crescimento dos mercados de criptomoedas intensificou as preocupações relacionadas a práticas de manipulação de mercado, e particularmente aos esquemas de pump-and-dump. A detecção desses esquemas permanece desafiadora devido à alta volatilidade das criptomoedas e a disponibilidade limitada de dados confiáveis. Trabalhos relacionados baseiam-se predominantemente em técnicas de detecção de anomalias, as quais frequentemente apresentam dificuldades com precisão e adaptabilidade. Neste trabalho, propomos dois métodos de detecção offline que exploram um arcabouço híbrido combinando detecção de anomalias e de pontos de mudança para a identificação de esquemas de pump-and-dump. O primeiro método, HD Pump, integra a detecção de anomalias de volatilidade em séries temporais de preços com a detecção de pontos de mudança aplicada ao volume negociado. O segundo método, HD Pump Plus, estende essa abordagem ao substituir a série temporal de preços por uma série temporal baseada em rush orders. A avaliação experimental em um conjunto de dados contendo 178 eventos confirmados de pump-and-dump da exchange Binance mostra que o HD Pump Plus supera abordagens estatísticas anteriores, alcançando precisão de 96,4%, recall de 89,3% e F1-score de 92,7%. Esses resultados demonstram a efetividade da estratégia híbrida de detecção em avançar o estado da arte, mantendo simplicidade metodológica.