ESTUDO DAS NECESSIDADES DOS USUÁRIOS DO CADASTRO NACIONAL DE IMÓVEIS RURAIS (CNIR)
Bibliographic record
Abstract
A determinação das necessidades dos usuários é uma das fases mais importantes do desenvolvimento de sistemas da informação e define o que o sistema vai fazer, sem descrever exatamente como ele será realizado. Na engenharia de requisitos, a descrição desses serviços, as restrições e o processo de análise, documentação e verificação dos mesmos, ajuda o desenvolvedor do sistema a compreender os problemas que podem ser efetuados nos projetos através de detecção da incompletude dos dados e/ou objetivos, falta de resultados que são necessários ao projeto e que não foram identificados e a insatisfação dos usuários em adquirir um sistema que não corresponderá às suas demandas e necessidades. A determinação das necessidades do usuário traz ao mesmo nível de entendimento os usuários interessados no sistema (stakeholders) e desenvolvedores, já que busca um consenso sobre as necessidades reais e tangíveis. Este artigo resume as técnicas utilizadas para coletar as informações necessárias para o estudo das necessidades dos usuários, ressaltando sua importância na engenharia de requisitos. Um estudo de caso foi utilizado, aplicado à implementação do Cadastro Nacional de Imóveis Rurais (CNIR). Foram utilizadas técnicas de coleta de dados e análise do estudo das necessidades dos usuários nas agências colaboradoras do CNIR. O estudo ajudou a definir quais os serviços e informações que podem ser disponibilizados, com base na real necessidade de alimentar o banco de dados.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".