INTRODUÇÃO
A criminalidade faz parte do dia a dia do brasileiro, sendo um
grave problema para a sociedade. Ela está presente em vários
lugares, sendo inevitável viver em uma cidade onde não ocorra crimes
(BASTOMSKI; BRAZIL; PAPACHRISTOS, 2017). Este estudo
(ibid.) apresenta uma experiência de mapeamento dos
crimes na cidade de Chicago, nos Estados Unidos, demonstrando como a
compreensão espacial dos crimes auxilia no entendimento dos mesmos,
o que pode contribuir para o controle da criminalidade, sendo que
tal ideia pode ser extrapolada para qualquer cidade com alta
criminalidade, como São Paulo, Rio de Janeiro ou cidades
menores.
Um fator que pode ocasionar o aumento na criminalidade seria as
inter-relações pessoais entre membros envolvidos com o crime vivendo
em diferentes bairros (ibid.). Uma tática intuitiva
adotada em pequenas comunidades, de forma a prevenir a incidência de
crimes, seria o estabelecimento de redes de confiança entre vizinhos
para o compartilhamento de informações sobre a possível ocorrência
de crimes (ibid.). No entanto, em grandes centros,
essa estratégia pode encontrar dificuldades para ser implementada,
desta forma, um outro meio para suprir essa necessidade é a proposta
de uma rede de informações impessoal, a partir da qual a população
tem acesso a essas informações por meio de aplicativos desenvolvidos
para dispositivos móveis, possibilitando-se a verificação e a
inserção de ocorrências de crimes de forma anônima para o outro
usuário.
Destaca-se o aumento crescente no uso de dispositivos móveis nos
últimos anos, principalmente pela facilidade em se adquirir
tablets ou smartphones, com a
diminuição de seus preços e a diversidade de funcionalidades, além
da usabilidade que estes dispositivos apresentam. Isso se reflete no
quantitativo de celulares Brasil, que em fevereiro de 2022 atingiram
256,4 milhões de celulares (ANATEL, 2022), enquanto a população
brasileira estava em 211,75 milhões em 2020. Outro fator relevante é
a grande aceitação da população para ferramentas de
aplicativos que gerenciam informações
georreferenciadas sobre crimes, a partir de uma abordagem
colaborativa do cidadão (AVALOS et al., 2019).
Há diversas experiências de uso de mapas de criminalidade
online, destacando como exemplo o trabalho de
Bornhofen e Tenfen (2009), os quais construíram mapas de
criminalidade para a cidade de Blumenau, em Santa Catarina, usando o
Google Maps, e com isso obtiveram dados para gestão
de risco em tempo mais hábil, com baixo custo e fácil usabilidade
aos policiais militares da cidade, inclusive com acesso aberto para
a população. Bruno (2009) também apresenta tecnologia
web para mapeamento de crimes e criminosos, o
CriminalSearches, destacando que esse tipo de
tecnologia vem se constituindo como uma das faces da vigilância
atual.
O aplicativo Criminal Maps utilizou como base o
aplicativo (MIGUEL et al., 2018), que possibilita a criação e a
visualização de registros de casos das doenças Dengue, Zika e
Chikungunya, além de focos do mosquito Aedes
aegypti, possibilitando a geração de mapas de
calor/dispersão.
Mapa de calor é um conceito emergido nas décadas de 70 e 80,
usado para dados de termografia relacionados à temperatura que, em
muitos casos, gera imagens coloridas e se tornaram cada vez mais
populares para a exibição de dados ricos em informações em duas e
três dimensões (BABICKI et al., 2016). Para a
interpretação de conjuntos de dados georreferenciados em larga
escala, é crucial que estes sejam tratados, classificados e
visualizados adequadamente. Os mapas de calor podem ser uma opção
eficaz e eficiente para processar diversos conjuntos de dados
espaciais no SIG (Sistema de Informação Geográfica), por meio de
análise de agrupamentos, procurando e unificando valores
semelhantes, assim como extrapolando valores a partir de inferências
estatísticas.
O Criminal Maps gera o mapa de calor de acordo
com os dados de crimes inseridos pela própria população da cidade,
fornecendo informações estratégicas para a prevenção e o controle da
criminalidade. Caso alguém tenha sofrido ou presenciado um crime,
poderá acessar o aplicativo e relatar o ocorrido. Desta forma, a
informação comporá o banco de dados e o mapa de pontos, e o mapa de
calor será disponibilizado, em tempo real, para todas as pessoas que
possuírem o aplicativo.
Assim, um usuário, com o alerta de crimes por proximidade
ativado, receberá a notificação da ocorrência relatada por outro
usuário, de forma similar ao que ocorre no Waze,
para acidentes de trânsito e outras ocorrências. Com essa
informação, é possível evitar determinadas áreas ou ter maior
atenção, até mesmo entrar em contato com pessoas conhecidas que
estejam na região do alerta, para avisá-las da ocorrência; ou seja,
a pessoa que relata a ocorrência contribui para que outra pessoa não
passe pela mesma situação que passou ou que presenciou e, desta
forma, o Criminal Maps pode contribuir para que
seus usuários se sintam e estejam mais seguros.
RESULTADOS E DISCUSSÕES
O primeiro passo para adaptação do AedesMap
(MIGUEL et al., 2018) para o Criminal
Maps foi a criação de um novo banco de dados. Os novos
campos implementados foram: o tipo de crime da denúncia (sendo
armazenada no banco uma letra para cada tipo de crime), a data e a
hora da ocorrência do crime. Retiraram-se os campos de data de
nascimento e sexo do usuário, uma vez que esses dados que não seriam
mais utilizados.
Alteraram-se os arquivos PHP, criaram-se os
arquivos “salva_crimes.php”, “envia_crimes.php” e
“deleta_crimes.php”, os dois primeiros baseados em arquivos
preexistentes do AedesMap (MIGUEL et
al., 2018), porém com as tabelas e os campos do banco de
dados diferentes. Adicionou-se no arquivo “salva_crimes.php” uma
função que, ao receber a nova denúncia, após salvá-la no banco de
dados, faz com que o servidor envie um JSON para os
servidores da Google.
Para conseguir excluir os pontos adicionados pelos usuários,
criou-se um arquivo que deleta do banco de dados o ponto selecionado
pelo usuário, no entanto, antes da exclusão ser feita, o servidor
verifica se o usuário condiz com o dispositivo salvo no banco de
dados, permitindo que apenas o usuário que adicionou o ponto possa
removê-lo.
Para melhorar o Criminal Maps, padronizou-se os
elementos e as páginas usando as aplicações da
Google como referência (Figura 1). Alteraram-se os
marcadores, tanto a sua forma, para mais arredondada como os do
Google Maps, quanto o ícone que representa cada
tipo de crime. No aplicativo, tem-se que a junção de dois marcadores
ou mais geram os clusters, que também tiveram a
coloração de seus números alterada para branco, para melhor
visualização em contraste com a cor do marcador, e também se
aumentou seu tamanho (levemente).
Figura 1: Tela inicial do Criminal
Maps com pontos de teste
Fonte: Os autores a partir de WISNIEWSKI, ROCHA, HORNINK,
2019.
Em comparação ao aplicativo AedesMap (MIGUEL
et al., 2018), base para a construção do
Criminal Maps, houve a necessidade de alterar a
estrutura que não era conveniente para este projeto. Na interface,
padronizou-se as cores das telas, com elementos em branco, vermelho
e preto. Alteraram-se os botões para se tornarem mais familiares aos
usuários, por exemplo, com a opção de salvar à direita e cancelar à
esquerda, com a identificação com texto simples, sem a utilização de
imagens extrapolantes que não condizem com o objetivo.
No questionário para a inserção de novo ponto (Figura 2),
inseriram-se novos campos: tipo de crime da denúncia; data e hora da
ocorrência do crime. Retiraram-se os campos de data de nascimento e
sexo do usuário, da mesma forma que foi feito no banco de dados.
Figura 2: Tela do formulário do Criminal
Maps
Fonte: Os autores a partir de WISNIEWSKI, ROCHA, HORNINK,
2019.
A tela de ativação de notificações (Figura 3), encontrada no menu
lateral, também foi construída a partir da padronização do
Google, sendo possível marcar um local de segurança
a partir dessa tela, assim como pelo atalho (similar ao processo de
inserir novos marcadores). Logo, espera-se que o usuário consiga
achar essa opção com maior facilidade, em termos de usabilidade.
Para o usuário ativar as notificações, ele deve encontrar a opção
no menu, outra estrutura criada para este novo aplicativo. Em
“Notificações”, o usuário consegue tanto ativar e desativar as
notificações quanto definir um raio em que ele queira que elas
apareçam. Por padrão, o aplicativo configura 1 (um) quilômetro,
porém, essa indicação pode ser facilmente alterada. Assim, o próprio
usuário consegue delimitar o seu limite de segurança.
Ainda em “Notificações”, está disponível a opção de demarcar um
local para utilizar a geolocalização, no qual o usuário pode colocar
seu endereço, por exemplo, a sua residência, e um marcador ficará
visível apontando o local, para o qual o usuário também será
notificado quando qualquer crime ocorrer no perímetro
configurado.
O servidor envia notificações para os usuários toda vez que
ocorre uma denúncia de um crime, para isso, o servidor envia um
JSON para o Firebase da
Google, que é responsável por fazer o envio de
informações para todos os celulares cadastrados nas
notificações.
Para o celular receber essas informações, utilizou-se o próprio
serviço da Google, Firebase
Messaging Service, o qual executa
uma tarefa de fundo quando recebe uma notificação para verificar, no
próprio celular do usuário, a distância do usuário até o ponto onde
o crime ocorreu.
Figura 3: Notificações e formas de
posicionamento da Notificação de Endereço
Fonte: Os autores a partir de WISNIEWSKI, ROCHA, HORNINK,
2019.
Observa-se na Figura 3 que há vários textos informativos,
instruindo os usuários para que possam ter mais segurança em colocar
seus dados e ativar a localização, sem medo de serem
monitorados.
Uma outra melhoria relevante foi a opção do usuário conseguir
excluir seus próprios marcadores (Figura 4). Isso possibilita a
correção de erros, caso tenha inserido um marcador em algum lugar
incorreto, possibilitando refazer sua ação. Para conseguir excluir o
marcador, basta clicar sobre ele e a opção “Excluir” é exibida.
Figura 4: Opção de excluir marcadores com ponto
teste
Fonte: Os autores a partir de WISNIEWSKI, ROCHA, HORNINK,
2019.
A Google alterou na Play
Store suas políticas de desenvolvimento, passando
estas a valer a partir do dia 1º de Novembro de 2019, e essa
atualização fez com que a Play
Store aceitasse somente aplicativos que tinham o
nível de API 28 (Android 9) ou mais alto, gerando a
necessidade de atualizar a versão do aplicativo. Para alterar a
versão, o Android Studio realiza várias alterações
automáticas, porém, durante esse processo, constatou-se que várias
bibliotecas haviam se tornado obsoletas, fazendo-se necessárias
substituições (GOOGLE PLAY, s.d.).
A principal alteração foi na API do Google Maps,
alterando-se a exibição do mapa, além disso, alterou-se a forma de
se efetuar a pesquisa de endereços. Uma outra modificação que exigiu
a mudança de estratégia de desenvolvimento pela equipe de trabalho
foi a limitação das funções que os aplicativos podem fazer no fundo
(background) dos aparelhos, desta forma,
abandonou-se a ideia inicial de se criar um serviço próprio e de
rodar jobs que pegassem a localização do usuário.
Decorrente disso, optou-se pelo serviço da Google
para realizar essas tarefas.
Usabilidade
Método de Inspeção Semiótica
Foram encontrados os seguintes resultados no Método de
Inspeção Semiótico (MIS):
Análise dos signos metalinguísticos: o Criminal
Maps apresenta um menu de ajuda, porém essa
documentação possui apenas funcionalidades básicas. O
aplicativo mostra avisos quando uma operação de salvamento
é realizada, como quando as configurações são alteradas,
há também mensagens informando caso haja um erro do
usuário. O filtro por tempo não deixa explícito do que se
trata, possuindo apenas o valor “Todos” como padrão sem um
rótulo.
Análise dos signos estáticos: foram encontrados
problemas nos filtros por tipo, onde não se deixa
intuitivo que é possível clicar nos marcadores. O
dropdown do filtro de tempo não fica
claro se é um item interativo, pois possui uma baixa
visibilidade por ser transparente e flutuar em cima do
mapa.
Análise dos signos dinâmicos: identificou-se que o
calendário poderia ser melhor construído se o usuário
conseguisse mudar o ano que deseja, como já é aplicado nos
meses do ano. O mapa apresentado se adaptou totalmente ao
tamanho da tela.
Contraste e comparação das mensagens de
metacomunicação: observou-se que o filtro por tempo pode
não ser encontrado facilmente pelo usuário, o que pode
levar o usuário a achar que tal função não existe, mesmo o
usuário podendo definir um tempo personalizado, ainda
assim é difícil utilizar o dropdown da
página inicial. Não fica evidente no filtro qual a sua
funcionalidade, o que pode causar um entendimento errôneo
do usuário; assim como, os marcadores do menu inferior
direito são evidenciados como filtro por tipo de crimes, o
que também pode levar o usuário a não utilizar essa
função.
Avaliação da comunicabilidade do sistema: basicamente,
fizeram o caminho no aplicativo para encontrar o endereço
de suas casas e utilizaram-se dos filtros para verificar
se no último mês ocorreu algum crime perto delas e então
alteraram o modo do mapa para exibir o mapa de calor. Em
seguida, fizeram uma denúncia de um crime, preenchendo os
dados requisitados. Por fim, configuraram o sistema de
alertas, para o caso de um crime acontecer próximo e
adicionaram o endereço para receber alertas caso um crime
ocorra próximo ao marcador indicado.
A maior dificuldade foi selecionar o filtro do último mês,
pois o botão de alteração começava com um texto padrão “Todos”,
o que não deixava sua funcionalidade intuitiva. Outra
dificuldade foi na parte de adicionar um marcador, pois o
usuário deve se atentar ao alerta no início da execução da
aplicação para que saiba o que fazer. Ao inserir as informações,
o sistema também não avisava que o novo marcador havia sido
adicionado, embora seja intuitivo, pois este aparece no mapa em
sequência. Foi simples encontrar a funcionalidade de notificação
e, quando as informações foram salvas, o usuário foi notificado
e um marcador apareceu no mapa, no ponto da residência
inserida.
Avaliação checklist
Após a construção do questionário de usabilidade (Quadro 2),
procedeu-se à etapa de validação, constituindo-se da avaliação
do aplicativo, usando o questionário construído, por um grupo de
5 pessoas especialistas na área de computação (estudantes
voluntários, da área de Ciências da Computação, que possuem
conhecimento de usabilidade). Destaca-se que os questionários
foram anônimos e as perguntas versaram apenas sobre critérios
técnicos do aplicativo. A partir dos resultados, calculou-se o
Alpha de Cronbach (CRONBACH et al., 1972) e
obteve-se o valor 0.77, sendo que, de acordo com STREINER
(2003), os questionários com valores acima de 0.7 são
considerados aceitáveis.
Após validação do questionário, aplicou-se o mesmo para um
grupo de 18 voluntários (maiores de 18 anos, proprietários e
usuários de smartphones com sistema
Android), de forma anônima, sendo que todos
conseguiram completar o percurso com sucesso, porém, alguns
tiveram dificuldade em realizar algumas tarefas, entre elas a de
filtrar os dados por tempo e a de como adicionar um novo
marcador para realizar a denúncia de crimes.
Quadro 2: Questionário – Usabilidade e heurísticas
correspondentes
| ID |
Questões do Teste de Usabilidade |
Heurísticas de Nielsen
correspondente |
| Q1 |
As opções dentro do menu lateral estão ordenadas
segundo um critério lógico. |
Consistência e Padronização. |
| Q2 |
Os itens interativos (clicáveis) se distinguem
claramente dos elementos estáticos. |
Consistência e Padronização. |
| Q3 |
A ação gerada a partir da interação com os botões
corresponde ao esperado. |
Reconhecimento em vez de memorização. |
| Q4 |
É possível a realização de uma tarefa em poucos passos
(1 a 5). |
Eficiência e flexibilidade de uso. |
| Q5 |
O sistema oferece valores padrões para acelerar a
entrada de dados no formulário. |
Ajude os usuários a reconhecerem, diagnosticarem e
recuperarem-se de erros |
| Q6 |
A seleção das datas e horas é difícil. |
Prevenção de erros. |
| Q7 |
A opção de ajuda está bem localizada. |
Ajuda e documentação. |
| Q8 |
As cores do mapa de calor possibilitam a compreensão
dos dados apresentados no mapa |
Estética e design minimalista. |
| Q9 |
O símbolo dos marcadores é de fácil compreensão. |
Compatibilidade entre o sistema e o mundo real. |
| Q10 |
Adicionar um endereço residencial para ser notificado
de um crime é difícil. |
Eficiência e flexibilidade de uso. |
| Q11 |
O sistema informa se as operações foram concluídas com
sucesso. |
Visibilidade do Status do Sistema. |
Fonte: Os autores a partir de WISNIEWSKI, ROCHA, HORNINK,
2019.
Apresenta-se na Figura 5 um conjunto de gráficos
box-plot (média e desvio-padrão) das respostas
a cada pergunta realizada no checklist (Quadro
2), sendo que 5 representa que a pessoa concorda fortemente e 1,
discorda fortemente. Verifica-se congruência nas respostas, com
algumas variações consideradas normais entre os respondentes,
tendo os valores médios entre 4 e 5 para todas as perguntas que
se esperavam valores de concordância (4 e 5), e valores médios
de 1 nas perguntas que se esperavam discordância, indicando, no
geral, uma boa usabilidade. A seguir são comentados os pontos de
destaque.
Figura 5: Box-plot das
perguntas do questionário de usabilidade
![]()
Q1 As opções dentro do menu lateral estão
ordenadas segundo um critério lógico.
Q2 Os itens interativos (clicáveis) se distinguem claramente
dos elementos estáticos.
Q3 A ação gerada a partir da interação com os botões
corresponde ao esperado.
Q4 É possível a realização de uma tarefa em poucos passos (1 a
5).
Q5 O sistema oferece valores padrões para acelerar a entrada de
dados no formulário.
Q6 A seleção das datas e horas é difícil.
Q7 A opção de ajuda está bem localizada.
Q8 As cores do mapa de calor possibilitam a compreensão dos
dados apresentados no mapa.
Q9 O símbolo dos marcadores é de fácil compreensão.
Q10 Adicionar um endereço residencial para ser notificado de um
crime é difícil.
Q11 O sistema informa se as operações foram concluídas com
sucesso.
Fonte: Os autores a partir de WISNIEWSKI, ROCHA, HORNINK,
2019.
As respostas às perguntas Q1, Q4, Q7 e Q9 indicam alta
concordância com as afirmações, assim, infere-se que o
menu lateral foi bem organizado; a ajuda foi de
fácil acesso, assim como os símbolos usados nos marcadores, com
legendas por tipo de crime, que foram de fácil compreensão.
Destaca-se na Q4 a indicação de ser possível se realizar uma
tarefa em poucos passos.
As perguntas Q2, Q5, Q8 e Q11, apesar de terem alguns valores
mais baixos, ainda prevalecem os valores positivos de
concordância com as afirmações, assim, também são indícios da
distinção entre os itens clicáveis, bem como de facilitação do
uso do formulário para a inserção de pontos. Também se indica a
compreensão das cores no mapa de calor (Q8), desta forma, há
indícios de que os usuários conseguiram concluir as operações
com a geração dos mapas de calor.
A partir das questões Q6 e Q10, pode-se inferir que o uso do
filtro de datas e a inserção de um endereço para alerta
ocorreram sem dificuldades, indicando usabilidade adequada.
Quanto à inserção do endereço houve um pouco mais de
respondentes que indicaram o ponto central da escala, o que pode
apontar que essa função pode ser melhorada.
REFERÊNCIAS BIBLIOGRÁFICAS
ALMEIDA, D.; SANTOS, M. A. R.; COSTA, A. F. B. Aplicação do
coeficiente Alfa de Cronbach nos resultados de um questionário para
avaliação de desempenho da saúde pública. Anais do XXX Encontro
Nacional de Engenharia de Produção. São Carlos/SP: Associação
Brasileira de Engenharia de Produção, out. 2010, p. 1-12. Disponível
em:
http://www.abepro.org.br/biblioteca/enegep2010_TN_STO_131_840_16412.pdf.
Acesso em: 24 ago. 2021.
ANATEL. Infográfico setorial de telecomunicações – fev.
2022. 2022. Disponível em:
https://sei.anatel.gov.br/sei/modulos/pesquisa/md_pesq_documento_consulta_externa.php?eEP-wqk1skrd8hSlk5Z3rN4EVg9uLJqrLYJw_9INcO64YqHrlAMQv6UbFt7rY_EvwmlpuyS0KTqHatd7yr-PfJhjOsmVqh30Pawxe9KZ5hVKUvSfhh8IMnGgiFAxwkjO.
Acesso em: 19 jun. 2023.
AVALOS, H. N.; PEÑA, F. F.; URRUTIA, P. U.; MOROCHO, O. C. Impacto
de la georreferenciación colaborativa de actos delictivos en el
ciudadano común basada en el modelo de aceptación tecnológica.
Revista Ciencia Unemi, v. 12, n. 31, p. 83-94, 2019.
Disponível em:
http://ojs.unemi.edu.ec/index.php/cienciaunemi/article/view/978.
Acesso em: 11 dez. 2020.
BABICKI, S.; ARNDT, D.; MARCU, A.; LIANG, Y.; GRANT, J. R.;
MACIEJEWSKI, A.; WISHART, D. S. Heatmapper: web-enabled heat mapping
for all. Nucleic Acids Research, v. 44, p. 147-153, 2016.
Disponível em:
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4987948.
Acesso em: 10 nov. 2021.
BASTOMSKI, S.; BRAZIL, N.; PAPACHRISTOS, A. V. Neighborhood
co-offending networks, structural embeddedness, and violent crime in
Chicago. Social Networks, v. 51, p. 23-39, 2017.
Disponível em:
https://www.sciencedirect.com/science/article/abs/pii/S0378873316302003.
Acesso em: 1 abr. 2022.
BORNHOFEN, P. R.; TENFEN, E. Mapeamento criminal por meio da
plataforma Google Maps. Revista Brasileira de Segurança
Pública, v. 3, n. 2, p. 82-98, 2009. Disponível em:
https://www.revista.forumseguranca.org.br/index.php/rbsp/article/view/53.
Acesso em: 12 nov. 2021.
BRUNO, F. G. Mapas de crime: vigilância distribuída e participação
na cibercultura. E-Compós, v. 12, n. 2, 2009. Disponível
em:
https://doi.org/10.30962/ec.409.
Acesso em: 15 nov. 2021.
CRONBACH, L. J.; GLESER, G. C.; NANDA, H.; RAJARATNAM, N. The
dependability of behavioral measurements: Theory for
generalizability of scores and profiles. Nova York: John Wiley,
1972.
DE SOUZA, C. S.; LEITÃO, C. F. Semiotic Engineering Methods
for Scientific Research in HCI. São Francisco/CA: Morgan &
Claypool, 2009.
GOOGLE PLAY. Atender ao requisito de segmentação de nível de
API do Google Play. [s.d.] Disponível em:
https://developer.android.com/distribute/best-practices/develop/target-sdk.html.
Acesso em: 9 dez. 2019.
GRIGERA, J.; GARRIDO, A.; RIVERO, J.M.; ROSSI, G. Automatic
detection of usability smells in web applications. International
Journal of Human-computer Studies, v. 97, 2017. Disponível em:
https://doi.org/10.1016/j.ijhcs.2016.09.009. Acesso em 19 de jun.
2023.
JIMENEZ, T. C.; SANCHEZ, D. T.; GORDON, S. S.; GUERRERO, J. J.;
GUEVARA, C.; ALVAREZ, P. L.; VARGAS, P. A.; ULLAURI, L. S.; NUNES, I.
L. Improving usability with think aloud and focus group methods. A
case study: an Intelligent Police Patrolling System (I-Pat).
In: NUNES, I. (Ed.). Advances in Human Factors
and Systems Interaction. AHFE 2019. Advances in Intelligent
Systems and Computing, v. 959. Washington: Springer, 2019, p. 361-373.
Disponível em: https://doi.org/10.1007/978-3-030-20040-4_33. Acesso
em: 30 nov. 2021.
NIELSEN, J. Usability engineering. Oxford: Elsevier,
1994a.
NIELSEN, J. Heuristic evaluation. In: NIELSEN, J.,
MACK, R. L. (Eds.). Usability Inspection Methods. New
York: John Wiley & Sons, 1994b.
NIELSEN, J. How to Conduct a Heuristic Evaluation. Nielsen
Norman Group, 1º nov. 1994c. Disponível em:
https://www.nngroup.com/articles/how-to-conduct-a-heuristic-evaluation.
Acesso em: 1 abr. 2022.
NIELSEN, J.; MOLICH, R. Heuristic evaluation of user interfaces.
Proceedings of CHI' 90: Conference on Human Factors in
Computing. Seattle/USA, 1990, p. 249-256.
MIGUEL, G. A.; BRESSAN, P. A.; HORNINK, G. G. Dispositivos móveis
para obtenção de dados georreferenciados da Dengue, Zika e
Chikungunya. Infodesign, v. 17, n. 1, 2020. Disponível
em: https://www.infodesign.org.br/infodesign/article/view/707. Acesso
em 13 dez. 2022.
MIGUEL, G. A.; REIS, T.H. ; GONÇALVES, A.B. ; BRESSAN, P.A. ;
HORNINK, G. G. AedesMap Mobile
(software). Registro INPI: BR512018000358, Alfenas: UNIFAL-MG, 2018.
Disponível em:
https://play.google.com/store/apps/details?id=com.projeto_zika. Acesso
em: 3 jun. 2019.
STREINER, D. L. Being inconsistent about consistency: when
coefficient alpha does and doesn’t matter. Journal of
Personality Assessment, v. 80, p. 217-222. 2003. Disponível em:
https://doi.org/10.1207/s15327752jpa8003_01. Acesso em: 19 jun.
2023.
SUTHERLAND, J. V.; SCHWABER, K. The SCRUM methodology. In: Business
object design and implementation. Proceedings of
OOPSLA workshop. Austin: Springer, 1995.
VIZCARRA, A. A. P.; FIGUEROA, G. P. A.; CHANA, J. W. T.;
GARCIA-PEÑALVO, F. J. An app based on cooperative learning for the
detection of danger points and the prevention of risk areas in a city.
Proceedings of XVII International Conference on Technological
Ecosystems for Enhancing Multiculturality. Nova Iorque: Association
for Computer Machine, 2019, p. 830-837. Disponível em:
https://doi.org/10.1145/3362789.3362929.
Acesso em: 20 nov. 2021.
WISNIEWSKY, H. S.; ROCHA, D. A.; HORNINK, G.G.
Criminal maps (software). Versão 1.0.
Alfenas: UNIFAL-MG, 2019.