diff --git a/docs/texto.pdf b/docs/texto.pdf index af96135..a2b13de 100644 Binary files a/docs/texto.pdf and b/docs/texto.pdf differ diff --git a/texto/01-introducao/main.tex b/texto/01-introducao/main.tex index c3ddc5e..b528ad7 100644 --- a/texto/01-introducao/main.tex +++ b/texto/01-introducao/main.tex @@ -1,4 +1,4 @@ -\section{Introdução} +\chapter{Introdução} Diversos modelos de psicoterapia apresentam evidência de eficácia no tratamento de transtornos mentais. Uma parcela significativa dos pacientes, no entanto, não responde às intervenções, podendo até mesmo apresentar piora quando submetida a tratamento psicoterápico \cite{Cuijpers2021}. A diff --git a/texto/02-machine-learning/main.tex b/texto/02-machine-learning/main.tex index 4784ca9..8df4313 100644 --- a/texto/02-machine-learning/main.tex +++ b/texto/02-machine-learning/main.tex @@ -1,6 +1,6 @@ -\section{Conceitos básicos de aprendizagem de máquina} +\chapter{Conceitos básicos de aprendizagem de máquina} -\subsection{O que é aprendizagem de máquina?} +\section{O que é aprendizagem de máquina?} Aprendizagem de máquina é a área da ciência da computação que tem como objetivo geral o desenvolvimento de programas de computador capazes de aprender a realizar uma tarefa sem serem explicitamente programados \cite{Bi2019, Theobald2021}. @@ -25,11 +25,11 @@ \subsection{O que é aprendizagem de máquina?} máquina. O modelo pode então ser utilizado para fazer predições sobre o nível de satisfação profissional de um indivíduo qualquer a partir de suas características de personalidade. -\subsection{Os tipos de aprendizagem de máquina} +\section{Os tipos de aprendizagem de máquina} As técnicas de aprendizagem de máquina podem ser organizadas de diferentes maneiras, incluindo classificação pela estratégia adotada durante o processo de aprendizagem e pelo objetivo geral de aprendizagem \cite{Theobald2021, Ng2001}. -\subsubsection{Aprendizagem supervisionada, não supervisionada e por reforço} +\subsection{Aprendizagem supervisionada, não supervisionada e por reforço} As categegorias mais comumente usadas na descrição de modelos de aprendizagem de máquina dizem respeito à estratégia de aprendizagem adotada. O modelo pode ser construído segundo uma abordagem de aprendizagem supervisionada, aprendizagem não supervisionada ou aprendizagem por reforço \cite{Theobald2021, Bi2019}. @@ -53,7 +53,7 @@ \subsubsection{Aprendizagem supervisionada, não supervisionada e por reforço} \cite{Theobald2021, Bi2019}. Um exemplo para a aplicação deste tipo de aprendizagem é auxiliar a tomada de decisões de tratamento em condições crônicas como a esquizofrenia \cite{Shortreed2010}. -\subsubsection{Modelos discriminativos e generativos} +\subsection{Modelos discriminativos e generativos} Estratégias de aprendizagem supervisionada e não supervisionada podem ser utilizada na construção de modelos com objetivos de aprendizagem distintos. Modelos discriminativos tem por objetivo modelar probabilidade condicional de um desfecho dadas determinadas condições \cite{Bi2019, Ng2001}. Um modelo discriminativo, @@ -66,19 +66,19 @@ \subsubsection{Modelos discriminativos e generativos} conjunta completa representa, em certa medida, o processo subjacente de geração dos dados, o que permite que modelos generativos sejam utilizados para gerar observações sintéticas \cite{Bi2019}. Esse tipo de modelo é associado a ferramentas de inteligência artificial generativa como o Chat GTP \cite{Wu2023}. -\subsection{A construção de uma aplicação de machine learning} +\section{A construção de uma aplicação de machine learning} O processo para construção de modelos de aprendizagem de máquina pode variar de acordo com a abordagem adotada, mas, de modo geral, consiste na sequência de etapas de pré-processamento, separação dos dados, treinamento e avaliação de desempenho do modelo \cite{Greener2021}. -\subsubsection{Pré-processamento} +\subsection{Pré-processamento} O desempenho de um modelo de aprendizagem de máquina depende, em grande medida, da forma como o conjunto de dados é apresentado. Assim é fundamental uma etapa de processamento inicial para garantir que os padrões mínimos de qualidade de dados são atendidos. Tarefas de pré-processemento comuns são imputação de dados faltantes, balanceamento de classes através de \textit{up-sampling} ou \textit{down-sampling}, recodificação de variáveis categóricas e padronização de variáveis quantitativas \cite{Delgadillo2020}. -\subsubsection{Separação dos dados} +\subsection{Separação dos dados} Deve-se avaliar o desempenho do modelo resultante ao final do processo de aprendizagem. Uma avaliação efetiva deve verificar o comportamento do modelo quando exposto a um conjunto de dados inéditos, permitindo uma boa estimativa de seu desempenho em um contexto naturalístico. Assim, uma parte dos dados disponíveis, @@ -93,7 +93,7 @@ \subsubsection{Separação dos dados} sua apresentação mais comum. Nesta abordagem, o conjunto de dados de treinamento é dividido em k partes de tamanhos iguais e são realizadas k rodadas de treinamento; a cada rodada uma das partes é separada e usada como conjunto de dados de validação. Assim, evita-se a reserva de dados exclusivos para validação \cite{Delgadillo2020}. -\subsubsection{Treinamento} +\subsection{Treinamento} O treinamento consiste na implementação e execução do algoritmo de aprendizagem de máquina responsável por treinar o modelo. A implementação geralmente faz uso de uma linguagem de programação de alto nível e um framework de aprendizagem de máquina \cite{Greener2021}. Um exemplo de framework é o scikit-learn \cite{ScikitLearn} @@ -104,7 +104,7 @@ \subsubsection{Treinamento} do modelo. A seleção de hiperparâmetros pode ser manual ou automatizada durante o processo de treinamento por meio da técnica de \textit{k-fold cross-validation}, onde, em cada uma das rodadas de treinamento, uma configuração de hiperparâmetros é utilizada e avaliada \cite{Delgadillo2020}. -\subsubsection{Avaliação do desempenho} +\subsection{Avaliação do desempenho} A avaliação do desempenho de um modelo varia de acordo com a estratégia de aprendizagem adotada. Na abordagem de aprendizagem supervisionada é possível expor o modelo a um novo conjunto de dados e comparar os resultados apresentados com os desfechos reais \cite{Greener2021}. Modelos de aprendizagem supervisionada que realizam tarefas de regressão diff --git a/texto/03-exemplo/main.tex b/texto/03-exemplo/main.tex index 4c7cebb..39eb719 100644 --- a/texto/03-exemplo/main.tex +++ b/texto/03-exemplo/main.tex @@ -1,22 +1,22 @@ -\section{Construção de um exemplo} +\chapter{Construção de um exemplo} Usando dados de um ensaio clínico, construiu-se um modelo de aprendizagem de máquina para predizer o nível de resposta à intervenção sendo testada. Durante o processo de construção, optou-se pela utilização de técnicas simples, colocando a didática acima do desempenho preditivo. -\subsection{O estudo original} +\section{O estudo original} O estudo original buscava avaliar o impacto de intervenções de psicologia positiva conduzidas via internet sobre a percepção de felicidade e sintomas depressivos \cite{Woodworth2017}, uma tentativa de replicar os resultados obtidos em um trabalho anterior conduzido por Seligman e colaboradores \cite{Seligman2005}. -\subsubsection{Participantes} +\subsection{Participantes} Os participantes foram recrutados por meio de anúncios em veículos de comunicação australianos: páginas web, jornais e uma estação de rádio local. Um total de 295 participantes completou a fase inicial de pré-teste. O grupo era composto majoritariamente por mulheres ($85,06\%$), com idades entre 18 e 83 anos ($M=43,76; SD=12,43$); a maior parte dos participantes possuia nível de educação superior ($74,88\%$) e classificou a própria renda como média ou acima da média ($76\%$) \cite{Woodworth2017, Collins2023}. -\subsubsection{Intervenções} +\subsection{Intervenções} Os participantes foram distribuídos aleatoriamente em quatro grupos, três grupos experimentais e um grupo de controle; cada um dos três grupos experimentais recebeu uma intervenção distinta. O primeiro grupo experimental recebeu a intervenção de \emph{visita da gratidão}: os participantes @@ -26,12 +26,12 @@ \subsubsection{Intervenções} psicoeducativa sobre forças de caráter e foram aconselhados a buscar maneiras criativas para utilizar suas próprias forças de caráter no cotidiano. Todas as intervenções tiveram duração de uma semana \cite{Woodworth2017}. -\subsubsection{Controle} +\subsection{Controle} O grupo de controle foi exposto à atividade placebo de \emph{memórias de infância}: os participantes receberam a instrução de reservar um momento ao final do dia para escrever sobre suas memórias de infância durante uma semana \cite{Woodworth2017}. -\subsubsection{Desfechos} +\subsection{Desfechos} O estudo avaliou percepção de felicidade por meio do AHI (Authentic Happiness Inventory), um instrumento de autorrelato composto por 24 items. Os itens são pontuados em uma escala de que vai de 1 a 5 e a pontuação total é calculada pela soma das pontuações obtidas para cada item. Resultados maiores representam @@ -45,7 +45,7 @@ \subsubsection{Desfechos} O estudo também coletou informação sobre sexo, idade, nível de escolaridade e renda das participantes. As medidas foram obtidas nas ocasiões de pré-teste, pós-teste e 4 ocasiões de follow-up: uma semana após o pós-teste, um mês após o pós-teste, três meses após o pós-teste e seis meses após o pós-teste \cite{Woodworth2017}. -\subsection{Árvores de decisão} +\section{Árvores de decisão} Árvores de decisão representam uma classe de modelos de aprendizagem de máquina que pode ser usada para tarefas de classificação e regressão, ou seja, são capazes de fazer predições para valores de variáveis categóricas e numéricas. Elas utilizam uma série de regras de decisão para predizer o desfecho de interesse; @@ -75,7 +75,7 @@ \subsection{Árvores de decisão} As limitações de modelos de árvore de decisão incluem sua sensibilidade a pequenas perturbações no conjunto de dados, como outliers, e uma inclinação ao sobreajuste: uma adaptação excessiva às nuances do conjunto de dados de treinamento que prejudica a capacidade de generalização das predições feitas pelo modelo \cite{Bi2019}. -\subsection{Plano de análise de dados} +\section{Plano de análise de dados} Construiu-se um modelo de aprendizagem de máquina do tipo árvore de decisão para predizer melhora nos níveis de sintomas depressivos a nível individual após a intervenção. Foram utilizados a linguagem de programação Python na versão 3.12 \cite{Python} e o pacote para processamento estatístico e de aprendizagem de máquina scikit-learn na versão @@ -98,7 +98,7 @@ \subsection{Plano de análise de dados} recall. Acurácia representa o percentual de predições corretas realizadas pelo modelo de modo geral. Precisão refere-se à razão entre classificações positivas corretas e o total de classificações positivas feitas pelo modelo. Recall refere-se à razão entre as classificações positivas corretas e o total de observações positivas no conjunto de dados de teste. -\subsection{Resultados e discussão} +\section{Resultados e discussão} O modelo de árvore de decisão gerado é apresentado na figura \ref{fig:arvore}. O modelo conta com 17 nós organizados em uma estrutura com cinco níveis de profundidade sendo um nó raiz, sete nós intermediários e nove nós folha. As regras de decisão selecionadas verificam os valores de oito variáveis distintas: a pontuação total no CES-D, a pontuação nos itens 13 e 19 do CES-D, diff --git a/texto/04-conclusao/main.tex b/texto/04-conclusao/main.tex index 608aa1a..5f0dabf 100644 --- a/texto/04-conclusao/main.tex +++ b/texto/04-conclusao/main.tex @@ -1,4 +1,4 @@ -\section{Conclusão} +\chapter{Conclusão} Este trabalho teve como objetivo principal introduzir o tema de aprendizagem de máquina para psicólogos. Foi exposto um panorama geral com a apresentação dos conceitos fundamentais da área. Buscando complementar a exposição conceitual, diff --git a/texto/main.tex b/texto/main.tex index b23da53..96a680d 100644 --- a/texto/main.tex +++ b/texto/main.tex @@ -1,12 +1,368 @@ -\documentclass{article} +\documentclass[ + % Opções da classe memoir + 12pt, % tamanho da fonte + openany, % capítulos começam em pág ímpar (insere página vazia caso preciso) + oneside, % para impressão em recto e verso. Oposto a oneside + a4paper, % tamanho do papel. + % Opções da classe abntex2 + %chapter=TITLE, % títulos de capítulos convertidos em letras maiúsculas + %section=TITLE, % títulos de seções convertidos em letras maiúsculas + %subsection=TITLE, % títulos de subseções convertidos em letras maiúsculas + %subsubsection=TITLE, % títulos de subsubseções convertidos em letras maiúsculas + % Opções do pacote babel + english, % idioma adicional para hifenização + brazil % o último idioma é o principal do documento + ]{abntex2} -\usepackage{biblatex} -\usepackage{graphicx} +% --- +% Pacotes básicos +% --- +\usepackage{lmodern} % Usa a fonte Latin Modern +\usepackage[T1]{fontenc} % Selecao de codigos de fonte. +\usepackage[utf8]{inputenc} % Codificacao do documento (conversão automática dos acentos) +\usepackage{indentfirst} % Indenta o primeiro parágrafo de cada seção. +\usepackage{color} % Controle das cores +\usepackage{graphicx} % Inclusão de gráficos +\usepackage{microtype} % para melhorias de justificação +% --- + -\addbibresource{references.bib} +% --- +% Pacotes de citações +% --- +% \usepackage[alf]{abntex2cite} % Citações padrão ABNT +\usepackage[alf, abnt-nbr10520=1988]{abntex2cite} % Citações em sentence case + +% --- +% Informações para CAPA e FOLHA DE ROSTO +% --- +\titulo{Aprendizagem de máquina para previsão de desfechos em saúde mental: uma introdução para psicólogos} +\autor{Guilherme Augusto Dias} +\local{Porto Alegre} +\data{2024} +\orientador{Prof. Dr. Wagner de Lara Machado} +% \coorientador{} +% \instituicao{ +% Pontifícia Universidade Católica do Rio Grande do Sul +% \par +% Escola de Ciências da Saúde e da Vida +% \par +% Curso de Psicologia} +\tipotrabalho{TCC} +\preambulo{Trabalho de Conclusão de Curso apresentado como requisito para a obtenção do grau de Bacharel em Psicologia pela Escola de Ciências da Saúde e da Vida da Pontifícia Universidade Católica do Rio Grande do Sul.} +% --- + +% --- +% Configurações de aparência do PDF final +% --- + +% Alterando o aspecto da cor azul +\definecolor{blue}{RGB}{41,5,195} + +% Informações do PDF +\makeatletter +\hypersetup{ + pdftitle={\@title}, + pdfauthor={\@author}, + pdfsubject={\imprimirpreambulo}, + pdfcreator={LaTeX with abnTeX2}, + pdfkeywords={abnt}{latex}{abntex}{abntex2}{trabalho acadêmico}, + colorlinks=true, % true: colored links; false: boxed links + linkcolor=black, % color of internal links + citecolor=black, % color of links to bibliography + filecolor=black, % color of file links + urlcolor=black, + bookmarksdepth=4 +} +\makeatother +% --- + + +% --- +% Posiciona figuras e tabelas no topo da página quando adicionadas sozinhas +% em um página em branco. Ver https://github.com/abntex/abntex2/issues/170 +\makeatletter +\setlength{\@fptop}{5pt} % Set distance from top of page to first float +\makeatother +% --- + +% --- +% Possibilita criação de Quadros e Lista de quadros. +% Ver https://github.com/abntex/abntex2/issues/176 +% +\newcommand{\quadroname}{Quadro} +\newcommand{\listofquadrosname}{Lista de quadros} + +\newfloat[chapter]{quadro}{loq}{\quadroname} +\newlistof{listofquadros}{loq}{\listofquadrosname} +\newlistentry{quadro}{loq}{0} + +% Configurações para atender às regras da ABNT +\setfloatadjustment{quadro}{\centering} +\counterwithout{quadro}{chapter} +\renewcommand{\cftquadroname}{\quadroname\space} +\renewcommand*{\cftquadroaftersnum}{\hfill--\hfill} + +\setfloatlocations{quadro}{hbtp} % Ver https://github.com/abntex/abntex2/issues/176 +% --- + + +% --- +% Espaçamentos entre linhas e parágrafos +% --- + +% O tamanho do parágrafo é dado por: +\setlength{\parindent}{1.3cm} + +% Controle do espaçamento entre um parágrafo e outro: +\setlength{\parskip}{0.2cm} % tente também \onelineskip + +% --- +% Compila o índice +% --- +\makeindex +% --- + + +% ---- +% Início do documento +% ---- \begin{document} +% Seleciona o idioma do documento (conforme pacotes do babel) +\selectlanguage{brazil} + +% Retira espaço extra obsoleto entre as frases. +\frenchspacing + +% ---------------------------------------------------------- +% ELEMENTOS PRÉ-TEXTUAIS +% ---------------------------------------------------------- +\pretextual + +% --- +% CAPA +% --- +\imprimircapa +% --- + + +% --- +% FOLHA DE ROSTO +% (o * indica que haverá a ficha bibliográfica) +% --- +\imprimirfolhaderosto +% --- + + +% --- +% Ficha bibliografica +% --- + +% Isto é um exemplo de Ficha Catalográfica, ou ``Dados internacionais de +% catalogação-na-publicação''. Você pode utilizar este modelo como referência. +% Porém, provavelmente a biblioteca da sua universidade lhe fornecerá um PDF +% com a ficha catalográfica definitiva após a defesa do trabalho. Quando estiver +% com o documento, salve-o como PDF no diretório do seu projeto e substitua todo +% o conteúdo de implementação deste arquivo pelo comando abaixo: +% +% \usepackage{pdfpages} % necessário para comando \includepdf +% \begin{fichacatalografica} +% \includepdf{fig_ficha_catalografica.pdf} +% \end{fichacatalografica} + +% \begin{fichacatalografica} +% \sffamily +% \vspace*{\fill} % Posição vertical +% \begin{center} % Minipage Centralizado +% \fbox{\begin{minipage}[c][8cm]{13.5cm} % Largura +% \small +% \imprimirautor +% %Sobrenome, Nome do autor + +% \hspace{0.5cm} \imprimirtitulo / \imprimirautor. -- +% \imprimirlocal, \imprimirdata- + +% \hspace{0.5cm} \thelastpage p. : il. (algumas color.) ; 30 cm.\\ + +% \hspace{0.5cm} \imprimirorientadorRotulo~\imprimirorientador\\ + +% \hspace{0.5cm} +% \parbox[t]{\textwidth}{\imprimirtipotrabalho~--~\imprimirinstituicao, +% \imprimirdata.}\\ + +% \hspace{0.5cm} +% 1. Palavra-chave1. +% 2. Palavra-chave2. +% 2. Palavra-chave3. +% I. Orientador. +% II. Universidade xxx. +% III. Faculdade de xxx. +% IV. Título +% \end{minipage}} +% \end{center} +% \end{fichacatalografica} +% --- + + +% --- +% FOLHA DE APROVAÇÃO +% --- + +% Isto é um exemplo de Folha de aprovação, elemento obrigatório da NBR +% 14724/2011 (seção 4.2.1.3). Você pode utilizar este modelo até a aprovação +% do trabalho. Após isso, substitua todo o conteúdo deste arquivo por uma +% imagem da página assinada pela banca com o comando abaixo: +% +% \begin{folhadeaprovacao} +% \includepdf{folhadeaprovacao_final.pdf} +% \end{folhadeaprovacao} +% +\begin{folhadeaprovacao} + \begin{center} + {\ABNTEXchapterfont\large\imprimirautor} + + \vspace*{1.5cm} + + \begin{center} + \ABNTEXchapterfont\bfseries\Large\imprimirtitulo + \end{center} + + \vspace*{1.5cm} + + \hspace{.45\textwidth} + \begin{minipage}{.5\textwidth} + \imprimirpreambulo + \end{minipage}% + \end{center} + + \vspace*{1.5cm} + + \begin{center} + Aprovado em 17 de julho de 2024. + + \vspace*{1.5cm} + + Banca examinadora: + \end{center} + +% \assinatura{\textbf{\imprimirorientador} \\ Orientador} + \assinatura{\textbf{Professor} \\ Convidado 1} + \assinatura{\textbf{Professor} \\ Convidado 2} + \vspace*{1.5cm} +\end{folhadeaprovacao} +% --- + + +% --- +% Agradecimentos +% --- +\begin{agradecimentos} +Valeu! +\end{agradecimentos} +% --- + + +% --- +% RESUMOS +% --- +% Resumo em português +\setlength{\absparsep}{18pt} % ajusta o espaçamento dos parágrafos do resumo +\begin{resumo} +Desenvolvimentos na área de aprendizagem de máquina representam uma série de oportunidades para diversas áreas de pesquisa e de atuação profissional. +O uso de modelos de aprendizagem de máquina na predição de desfecho para tratamentos em saúde mental tem sido investigado e apresenta resultados promissores. +A aplicação desse tipo de modelo possibilitaria, por exemplo, maior assertividade na personalização de tratamentos psicoterápicos a nível individual. +Apesar dos benefícios potenciais, o tema ainda é pouco discutido nos espaços de pesquisa, formação e atuação em psicologia clínica. Este trabalho tem +por objetivo introduzir o tema de aprendizagem de máquina a psicólogos. Busca-se apresentar, de maneira acessível, os conceitos e terminologia básicos +em aprendizagem de máquina, proporcionando um panorama geral da área. Para complementar a exposição conceitual, é construído um exemplo a partir de dados +de um estudo sobre eficácia de intervenções em psicologia positiva para depressão via internet. Por fim, discutem-se algumas implicações do uso desse tipo +de tecnologia para a pesquisa e para a prática em psicoterapia. + + \textbf{Palavras-chave}: aprendizagem de máquina, psicoterapia, psicologia positiva, depressão. +\end{resumo} + +% Resumo em inglês +\begin{resumo}[Abstract] + \begin{otherlanguage*}{english} + Developments in area of machine learning represent a series of opportunities for different areas of research and professional activity. The use of machine + learning models in predicting outcomes for mental health treatments has been investigated and shows promising results. The application of this type of model would + enable, for example, greater assertiveness in the personalization of psychotherapeutic treatments at an individual level. Despite the potential benefits, the topic + is still little discussed in research, training and practice in clinical psychology. This work aims to introduce the topic of machine learning to psychologists. The + aim is to present, in an accessible way, the basic concepts and terminology in machine learning, providing a general overview of the area. To complement the conceptual + exposition, an example is constructed based on data from a study on the effectiveness of positive psychology interventions for depression via the internet. Finally, + some implications of using this type of technology for research and practice in psychotherapy are discussed. + \vspace{\onelineskip} + + \noindent + \textbf{Keywords}: machine learning, psychotherapy, positive psychology, depression. + \end{otherlanguage*} +\end{resumo} + + +% --- +% LISTA DE ILUSTRAÇÕES +% --- +\pdfbookmark[0]{\listfigurename}{lof} +\listoffigures* +\cleardoublepage +% --- + + +% --- +% LISTA DE QUADROS +% --- +% \pdfbookmark[0]{\listofquadrosname}{loq} +% \listofquadros* +% \cleardoublepage +% --- + + +% --- +% LISTA DE TABELAS +% --- +% \pdfbookmark[0]{\listtablename}{lot} +% \listoftables* +% \cleardoublepage +% --- + + +% --- +% LISTA DE ABREVIATURAS E SIGLAS +% --- +% \begin{siglas} +% \item[ABNT] Associação Brasileira de Normas Técnicas +% \item[abnTeX] ABsurdas Normas para TeX +% \end{siglas} +% --- + + +% --- +% LISTA DE SÍMBOLOS +% --- +% \begin{simbolos} +% \item[$ \Gamma $] Letra grega Gama +% \item[$ \Lambda $] Lambda +% \item[$ \zeta $] Letra grega minúscula zeta +% \item[$ \in $] Pertence +% \end{simbolos} +% --- + + +% --- +% Sumário +% --- +\pdfbookmark[0]{\contentsname}{toc} +\tableofcontents* +\cleardoublepage +% --- + + +% ---------------------------------------------------------- +% ELEMENTOS TEXTUAIS +% ---------------------------------------------------------- +\textual + \include{./01-introducao/main.tex} \include{./02-machine-learning/main.tex} @@ -15,6 +371,82 @@ \include{./04-conclusao/main.tex} -\printbibliography +% ---------------------------------------------------------- +% ELEMENTOS PÓS-TEXTUAIS +% ---------------------------------------------------------- +\postextual +% ---------------------------------------------------------- + + +% ---------------------------------------------------------- +% REFERÊNCIAS +% ---------------------------------------------------------- +\bibliography{references.bib} + + +% ---------------------------------------------------------- +% GLOSSÁRIO +% ---------------------------------------------------------- +% +% Consulte o manual da classe abntex2 para orientações sobre o glossário. +% +%\glossary + +% ---------------------------------------------------------- +% APÊNDICES +% ---------------------------------------------------------- + +% --- +% Inicia os apêndices +% --- +% \begin{apendicesenv} + +% % Imprime uma página indicando o início dos apêndices +% \partapendices + +% % ---------------------------------------------------------- +% \chapter{Quisque libero justo} +% % ---------------------------------------------------------- + +% % ---------------------------------------------------------- +% \chapter{Nullam elementum urna} +% % ---------------------------------------------------------- + +% \end{apendicesenv} +% --- + + +% ---------------------------------------------------------- +% ANEXOS +% ---------------------------------------------------------- + +% --- +% Inicia os anexos +% --- +% \begin{anexosenv} + +% % Imprime uma página indicando o início dos anexos +% \partanexos + +% % --- +% \chapter{Morbi ultrices rutrum lorem} +% % --- + +% % --- +% \chapter{Cras non urna sed feugiat cum} +% % --- + + +% % --- +% \chapter{Fusce facilisis lacinia dui} +% % --- + +% \end{anexosenv} +%--------------------------------------------------------------------- +% INDICE REMISSIVO +%--------------------------------------------------------------------- +% \phantompart +% \printindex +%--------------------------------------------------------------------- \end{document}