Duas pesquisas desenvolvidas com participação de pesquisadores do Instituto Nacional de Ciência e Tecnologia em Inteligência Artificial Responsável para Linguística Computacional, Tratamento e Disseminação de Informação (INCT TILDIAR) foram premiadas no Concurso de Teses e Dissertações em Banco de Dados (CTDBD).
A cerimônia de entrega dos prêmios será realizada durante o Simpósio Brasileiro de Bancos de Dados (SBBD 2026), entre 6 e 8 de setembro de 2026, no Instituto de Ciências Matemáticas e de Computação (ICMC) da Universidade de São Paulo (USP), em São Carlos (SP).
Promovido pela Comissão Especial de Bancos de Dados (CEBD) da Sociedade Brasileira de Computação (SBC), o SBBD é o principal evento da América Latina nas áreas de Banco de Dados, Ciência de Dados e Big Data. O simpósio reúne anualmente pesquisadores, estudantes e profissionais para apresentar e discutir os avanços da área.
A segunda fase da seleção dos trabalhos foi realizada a partir de apresentações online, em sessões ao vivo, nos dias 9 e 16 de julho.
As pesquisas do INCT TILDIAR são inovadoras. A tese de doutorado de Gabriel Pereira de Oliveira conquistou o primeiro lugar. Já a dissertação de mestrado de Gestefane Rabbi, recebeu Menção Honrosa. Os dois trabalhos envolvem pesquisadores da Universidade Federal de Minas Gerais (UFMG) e do Instituto Federal de Goiás (IFG), Campus Anápolis.
Conheça abaixo um pouco de cada um dos trabalhos.
O que faz uma música viral virar sucesso?
A tese On the Dynamics of Music Virality and its Relation with Mainstream Success, de Gabriel Pereira de Oliveira, foi orientada pelas professoras Mirella Moura Moro e Ana Paula Couto da Silva, do Departamento de Ciência da Computação (DCC) da UFMG e pesquisadoras do INCT TILDIAR.
O trabalho investiga como as músicas se tornam virais nas plataformas digitais e como esse fenômeno se relaciona com o sucesso comercial. Embora a viralização não seja nova, a Web e plataformas como o TikTok ampliaram seu alcance e aceleraram a circulação de músicas.
O estudo analisou as diferenças entre músicas virais e sucessos comerciais, investigou a relação temporal entre esses fenômenos e desenvolveu um modelo inspirado na epidemiologia para representar a disseminação de músicas como um processo de contágio social.
Os resultados mostram que características dos artistas e do momento de lançamento ajudam a distinguir viralização e sucesso comercial. Em alguns casos, a viralização pode antecipar o desempenho futuro de uma música. O modelo também descreve melhor a propagação de conteúdos virais do que o sucesso comercial de longo prazo.
Além das contribuições científicas, a pesquisa pode apoiar artistas, produtores e gravadoras no planejamento de lançamentos e estratégias de divulgação. O trabalho também pode contribuir para estudos sobre possíveis vieses algorítmicos que influenciam a visibilidade de músicas e artistas nas plataformas digitais.
A pesquisa também recebeu outro reconhecimento anterior. O artigo Analyzing the Temporal Relation Between Virality and Success in the Brazilian Music Market, um dos trabalhos derivados da mesma tese, conquistou o prêmio de melhor artigo do SEMISH 2024. Este trabalho investiga como as músicas se tornam virais nas plataformas digitais e como esse fenômeno se relaciona com o sucesso comercial.
Aprendizado federado melhora o treinamento de inteligência artificial
A dissertação Aprendizado Federado Incremental e Sensível ao Risco para Modelos de Ranqueamento em Cenários com Distribuições Heterogêneas de Dados, de Gestefane Rabbi, foi orientada por Marcos André Gonçalves, coordenador do INCT TILDIAR e professor do DCC UFMG, com coorientação de Daniel Xavier de Sousa, do Instituto Federal de Goiás (IFG), campus Anápolis.
O trabalho apresenta o FedRisk+, um método de aprendizado federado. Nessa abordagem, instituições treinam modelos de inteligência artificial sem reunir todos os dados em um único local. Cada organização mantém suas informações e compartilha apenas os parâmetros necessários para aperfeiçoar o modelo, preservando a privacidade dos dados.
Para enfrentar o desafio da heterogeneidade dos dados, o FedRisk+ utiliza um mecanismo de agregação que considera o risco associado às atualizações enviadas por cada participante e incorpora informações de treinamentos anteriores para tornar o processo mais estável.
Nos experimentos, o método obteve ganho de 15,6% em nDCG@5, métrica usada para avaliar sistemas de ranqueamento, no conjunto MSLR-WEB10K, em comparação com o FedProx. No conjunto TREC Deep Learning 2020, as melhorias chegaram a 72,8%.
A Menção Honrosa amplia a sequência de reconhecimentos da pesquisa. Em 2025, o trabalho recebeu Honra ao Mérito de Melhor Artigo Completo no próprio SBBD. Em maio de 2026, a dissertação também conquistou o segundo lugar no Concurso de Teses e Dissertações do SBSI.
Leia o texto original dos trabalhos premiados
Tese de Doutorado (1º lugar)
On the Dynamics of Music Virality and its Relation with Mainstream Success
Gabriel Pereira de Oliveira.
Orientação: Mirella Moura Moro e Ana Paula Couto da Silva.
Universidade Federal de Minas Gerais (UFMG), 2026.
Repositório Institucional da UFMG
Dissertação de Mestrado (Menção Honrosa)
Aprendizado Federado Incremental e Sensível ao Risco para Modelos de Ranqueamento em Cenários com Distribuições Heterogêneas de Dados
Gestefane Rabbi, Celso França, Daniel Xavier de Sousa, Thierson Couto Rosa, Jussara M. Almeida e Marcos André Gonçalves.
Anais do XL Simpósio Brasileiro de Bancos de Dados (SBBD 2025).
Atualizada em 29 de julho.
