Lista de Projetos

The already established consortium of Aston University (UK), University College London (UK), Ruralis University (Norway), University of Turin (Italy), and University Institute of Lisbon (Portugal) will seek funding from the EU's ‘100 Climate-Neutral and Smart Cities by 2030’ initiative. Our proposal includes developing a scalable tool to evaluate and guide urban mobility policies, supporting sustainable development and the 15-minute city concept, especially post-COVID-19. This tool will analyze mobility's complex nature, integrating environmental sustainability and regional urban system characteristics like geography and demographics. AIenhanced, it will assess impacts on affordability and accessibility, providing localized insights. We seek pumpprimingfunds for two residential workshops at Aston University to solidify collaboration, complete application writing, and establish a proof of concept

A modelação Bayesiana de equações estruturais (BSEM) tem recebido um interesse crescente, principalmente devido à sua capacidade de resolver alguns dos problemas encontrados na abordagem frequencista dominante (por exemplo, não convergência, casos de Heywood, limitações do tamanho da amostra e soluções inadmissíveis). Além disso, a BSEM permite a estimação de modelos complexos que os métodos clássicos de máxima verosimilhança podem ter dificuldade em lidar. Um componente crítico de qualquer análise Bayesiana é a distribuição a priori dos parâmetros desconhecidos do modelo. Uma distinção chave entre a modelação Bayesiana de equações estruturais e a modelação frequencista de equações estruturais é o uso de priors. Os investigadores podem ser céticos quanto à subjetividade das distribuições a priori e ao seu impacto na modelação Bayesiana. No entanto, os priors são uma vantagem importante da utilização da estatística Bayesiana, pois permitem que conhecimento prévio seja incluído de forma transparente e direta na estimação do modelo. A eliciação adequada dos priors é essencial para traduzir o conhecimento e a decisão sobre um fenómeno numa distribuição de probabilidade. Os priors permitem a quantificação da incerteza e encapsulam o conhecimento disponível sobre os parâmetros antes de observar os dados. Existem várias maneiras de traduzir o conhecimento prévio em parâmetros de distribuição. Os resultados mostram que os investigadores tendem a confiar em priors fracamente informativos (ou seja, priors de reduzida variância). No entanto, a eliciação de priors na modelação Bayesiana de equações estruturais ainda tem um longo caminho a percorrer em termos de desenvolvimento e adoção generalizada.

As abordagens psicométricas tradicionais frequentemente dependem de modelos frequentistas, que podem ser limitados na forma como lidam com a incerteza e na incorporação de conhecimento prévios. Ao adotar um paradigma Bayesiano, este projeto visa aprimorar a análise psicométrica através de técnicas de modelagem probabilística mais flexíveis, que permitem atualizações dinâmicas à medida que novos dados se tornam disponíveis. O projeto centra-se na criação e adaptação de instrumentos psicométricos para populações diversas. Técnicas computacionais avançadas, incluindo Markov Chain Monte Carlo (MCMC) utilizando o No-U-Turn Sampler (NUTS), são empregadas para a estimativa de modelos latentes. A abordagem Bayesiana proporciona uma compreensão mais profunda da precisão da medição e contribui para o desenvolvimento de instrumentos psicométricos com fortes evidências de validade.

O projeto Xpanding Innovative Alliance (XiA) dedica-se ao avanço da interoperabilidade no setor da saúde, com especial foco na antecipação da regulação do Espaço Europeu de Dados de Saúde (EHDS). Através de uma iniciativa educativa abrangente, o XiA visa colmatar as lacunas de competências em normas avançadas de interoperabilidade digital em saúde entre prestadores de cuidados de saúde, fornecedores de soluções digitais de saúde e indivíduos. Através do desenvolvimento de materiais educativos e cursos de alta qualidade, o XiA procura dotar as partes interessadas das competências necessárias para adotar os padrões associados ao EHDS e fomentar uma cultura de interoperabilidade. O projeto adota uma abordagem multidisciplinar, oferecendo conteúdos educativos online e experiências de aprendizagem imersivas, adaptados às necessidades de profissionais e organizações de saúde. Esta iniciativa não apenas visa educar uma ampla força de trabalho nas normas avançadas de interoperabilidade, mas também estabelecer parcerias com outras instituições para amplificar o seu impacto. Os objetivos principais do XiA incluem a criação de percursos de aprendizagem personalizados, a acreditação das iniciativas educativas e a promoção da integração de competências relacionadas com a transformação digital, interoperabilidade e cibersegurança. Através de mecanismos de micro-certificação e parcerias com redes académicas, o XiA pretende garantir a sustentabilidade e escalabilidade dos seus programas educativos. Fomentando a colaboração transfronteiriça e envolvendo entidades externas, o projeto procura capacitar os prestadores de cuidados de saúde, aumentar a competitividade das empresas de saúde digital e fortalecer as competências dos profissionais de saúde da União Europeia. Adotando uma abordagem aberta às normas de interoperabilidade e à educação, o XiA ambiciona sustentar os seus esforços e gerar um impacto duradouro no campo da saúde digital.

Este projeto procura desenvolver um ecossistema digital que permita interação de vários stakeholders (empresas, candidatos, recrutadores). Trata-se de uma plataforma que permite assegurar, de forma gamificada, várias respostas às empresas. Entre as várias ofertas destacam-se o assessment e a identificação do perfil dos candidatos e de trabalhadores nas empresas. A mesma plataforma permite auxiliar processos de diagnóstico e mudança organizacional, recorrendo a algoritmos de decisão e gestão de big data com recurso a processos de machine learning que permitam reduzir o risco da decisão