Temas de TCC em Ciência da Computação: 20 ideias para pesquisar

Como escolher um tema de TCC em Computação que caiba no seu prazo

Uma proposta de Computação fica mais clara quando reúne quatro elementos: um problema, um material de análise, um critério de comparação e um limite. “Usar inteligência artificial” descreve uma tecnologia; investigar como diferentes métricas avaliam uma classe rara já indica o que poderá ser discutido. O primeiro teste do tema é conseguir explicar o que será observado e qual evidência ajudará a responder à pergunta.

Comece por uma das 20 ideias acima e escreva uma ficha de uma página. Informe a pergunta, o objetivo, as fontes ou os dados disponíveis, o método possível e o que ficará fora do estudo. Leve essa ficha à orientação antes de prometer um aplicativo completo ou um experimento que dependa de recursos ainda indisponíveis.

Escolha entre pesquisa bibliográfica, documental e experimento

• Pesquisa bibliográfica: adequada quando a pergunta compara conceitos, métodos ou resultados publicados. A contribuição pode ser uma classificação bem justificada de estratégias e limitações. Defina bases, termos, critérios de seleção e uma ficha de leitura; resumir os primeiros resultados de uma busca não constitui uma comparação consistente.
• Análise documental: pode examinar documentação técnica, conjuntos de dados ou materiais educacionais públicos. Declare quais documentos entram no estudo e por que são apropriados. Documentação informa o funcionamento previsto de uma ferramenta, mas não comprova sozinha seu desempenho em qualquer situação.
• Experimento computacional: exige uma comparação executável, dados adequados e condições registradas. Um protótipo pode ser o instrumento da investigação, desde que exista uma pergunta e um procedimento de avaliação. Entregar um sistema funcionando não substitui analisar o que foi observado.

Se o curso aceitar uma abordagem bibliográfica, a ausência de uma placa de vídeo potente não inviabiliza automaticamente um tema de aprendizado de máquina. É possível investigar escolhas de avaliação em estudos publicados. Se houver experimento, reduza o problema até conseguir executar uma versão inicial com os recursos disponíveis.

Três exemplos comentados de projetos em Ciência da Computação

Os exemplos seguintes são propostas editoriais de planejamento. Não descrevem testes realizados nem antecipam qual algoritmo obterá o melhor resultado.

1. Métricas para classificadores com classes desbalanceadas

Recorte: avaliação de uma tarefa de classificação binária em que uma classe é pouco frequente. Pergunta possível: como estudos da tarefa escolhida justificam a combinação de precisão, revocação e medidas agregadas? Objetivo: organizar critérios de avaliação e identificar limitações das comparações apresentadas.

Em uma abordagem bibliográfica, selecione estudos que descrevam a mesma tarefa e registre distribuição das classes, separação dos dados, métricas e limitações. Um ponto de partida é o estudo de Saito e Rehmsmeier (2015), que discute a interpretação de curvas de avaliação em cenários desbalanceados. Ele ajuda a formular a pergunta, mas não dispensa bibliografia da aplicação escolhida nem define a melhor métrica para todo problema.

2. Busca por palavras e busca semântica em uma coleção pequena

Recorte: recuperação de documentos em uma coleção pública e delimitada, por exemplo resumos de uma área de pesquisa. Pergunta possível: que diferenças aparecem entre uma busca lexical e uma abordagem semântica para um conjunto previamente definido de consultas? Material: documentos com origem e licença verificadas e critérios explícitos de relevância.

Antes de programar, descreva o que conta como resposta pertinente e como será feita a avaliação. Registre consultas, versão dos modelos, forma de representar os documentos e recursos usados. Se a relevância for julgada por você, explique essa limitação e evite apresentar a avaliação como se representasse todos os usuários. A contribuição pode estar na análise dos tipos de erro, não apenas em um número final.

3. Algoritmos de rotas em um conjunto de grafos definido

Recorte: busca de caminhos em grafos com características documentadas. Pergunta possível: como duas estratégias se comportam quando variam o tamanho do grafo e as condições de entrada? Objetivo: relacionar resultados observados e pressupostos dos algoritmos.

Delimite as condições em que cada algoritmo pode ser aplicado e use as mesmas instâncias na comparação. Informe como os grafos foram obtidos ou gerados e se a análise considera tempo, memória, qualidade da solução ou uma combinação desses aspectos. Um ensaio pequeno serve para testar o procedimento; não demonstra, por si só, superioridade geral de uma estratégia.

Como montar um protocolo de pesquisa reproduzível

1. Registre o material: origem, licença, versão, campos, exclusões e limitações. O UCI Machine Learning Repository reúne conjuntos para explorar; a escolha exige ler o registro de cada base e verificar se ela responde à pergunta. Acesso público não elimina a necessidade de avaliar restrições de uso e privacidade.
2. Defina a comparação antes do resultado: indique uma referência inicial, as métricas e as condições de execução. Evite escolher somente a medida que favoreceu sua proposta depois de observar os números.
3. Separe as etapas: em aprendizado de máquina, mantenha o teste separado das decisões de treinamento e ajuste. A documentação oficial do scikit-learn explica o vazamento de dados e o uso de pipelines para reduzir erros de pré-processamento. Um bom resultado pode ser enganoso se informações do teste tiverem participado da construção do modelo.
4. Documente o ambiente: versões de bibliotecas, equipamento, parâmetros e escolhas aleatórias, quando existirem. Descreva também decisões manuais e transformações dos dados.
5. Apresente limites: diferencie a evidência obtida no seu conjunto de dados de uma conclusão sobre todo o problema. Preserve resultados desfavoráveis e explique o que não foi possível avaliar.

Como encontrar e selecionar referências para o TCC

Use a SBC OpenLib para explorar publicações da área e combine termos em português e inglês. Por exemplo: “classificação de texto”, “text classification”, “class imbalance” e o nome da tarefa. Esses termos são sugestões de busca acadêmica, não uma estimativa de popularidade no Google.

Na ficha de leitura, registre pergunta, material, método, critério de avaliação, resultado relatado e limitação. Compare estudos que tenham condições suficientemente próximas. Se um trabalho usa uma coleção diferente ou outro objetivo, explique a diferença antes de confrontar seus resultados.

Para fechar o tema, confirme três pontos: há textos completos pertinentes, você entende o procedimento necessário e consegue justificar um recorte menor que a área inteira. Se uma dessas respostas ainda for negativa, ajuste a proposta e faça uma nova busca exploratória. A qualidade do projeto depende da ligação entre pergunta, evidência e análise, não da quantidade de tecnologias no título.