This study develops and validates an innovation management framework based on the integration of dynamic capabilities and multidimensional innovation process factors. A mixed-methods approach was employed, combining a quantitative survey of 267 respondents from the Porto Digital ecosystem with qualitative interviews conducted in 10 companies. Confirmatory factor analysis (CFA) was used to validate the proposed measurement model, confirming the reliability and validity of the identified constructs. The qualitative findings reinforced the contextual relevance of the framework and provided insights into managerial perceptions of innovation capabilities. The validated framework consolidates ten organizational factors into four hierarchical layers, offering a structured approach to assessing and strengthening innovation management capacity. This study contributes to the literature by proposing an empirically validated model that addresses gaps related to dynamic capabilities and integrated innovation processes. Practical implications are also discussed, providing managers with a diagnostic tool to support strategic innovation initiatives.

Este estudo investiga a conscientização sobre a educação financeira entre jovens e adultos, especialmente no contexto brasileiro, onde o conhecimento sobre gestão financeira pessoal é limitado. Utilizando uma abordagem quantitativa, a pesquisa envolveu 54 participantes universitários, das áreas de saúde e gestão, com idades entre 18 e 45 anos. Os resultados indicam que a falta de conhecimento financeiro contribui significativamente para o individualismo, com impacto direto na saúde mental dos indivíduos. O estudo destaca a importância da inclusão da educação financeira nas escolas e universidades como uma ferramenta essencial para preparar as pessoas para tomarem decisões financeiras mais informadas, gerenciando suas finanças e evitando dívidas. Além disso, a pesquisa aponta a necessidade de desenvolver habilidades que melhorem a capacidade de poupar e investir, promovendo um futuro financeiro mais seguro e estável. Sugere-se a implementação da educação financeira como uma estratégia preventiva para mitigar os efeitos negativos do consumo e do endividamento sobre a qualidade de vida dos jovens adultos.

A crescente globalização e competitividade têm impulsionado empresas a buscar otimização de processos através do uso de tecnologias avançadas, como o aprendizado de máquina (machine learning). Este estudo investiga a aplicação de modelos de aprendizado de máquina para a predição da temperatura do rotor de motores síncronos de ímã permanente (PMSM), utilizando uma base de dados real coletada pela Universidade de Paderborn. Foram avaliados cinco modelos: regressão linear, regressão polinomial (ordem 2 e 3), árvore de decisão e aprendizado profundo. Os resultados indicaram que a regressão polinomial de terceira ordem apresentou a melhor performance, com uma variância explicada de 93%, MSE de 22.54 e RMSE de 4.74. A capacidade de prever a temperatura do rotor com precisão pode melhorar significativamente a manutenção preditiva, a eficiência operacional e a segurança dos motores PMSM. O estudo também destaca a importância do tratamento de dados e ajuste de hiperparâmetros para a melhoria da performance dos modelos.

The present study introduces an intervention conducted with adolescent students from municipal public schools. The intervention involved two groups (n = 20; n = 18) of sixth-grade students. The intervention program was based on the “Core Program” developed by LIPA (Applied Prosocial Research Laboratory) at the Autonomous University of Barcelona and was adapted for this application. Prosociality can be defined as a set of voluntary behaviors intended to benefit others without the expectation of external rewards. These behaviors strengthen social bonds and foster fundamental values for the development of healthy interpersonal relationships. Given the current social and economic conditions, adolescents living in urban centers are immersed in a reality marked by violence and antisocial behaviors. The objective was to observe changes in adolescents’ behaviors following the intervention, measuring the level of prosociality. Twenty 90-minute sessions were conducted weekly, along with three evaluations to identify the participants’ levels of prosociality (baseline, final, and follow-up). The instrument used was the EPA-A (Prosocial Behavior Assessment Scale for Adolescents). An improvement in prosocial behaviors among the adolescents was observed following the intervention, as evidenced by their interactions with peers in the group and with the researcher. In the various dimensions analyzed (Helping, Sharing, Positive Climate, Caring, and Empathy), positive trends were noted when positive and healthy attitudes were encouraged. This indicates that introducing socioemotional interventions in the school environment can lead to both individual and collective changes.

Predictive maintenance (PdM) under severe class imbalance challenges model evaluation and deployment, especially when probabilities inform maintenance decisions. Using the AI4I 2020 dataset, this study establishes a reproducible baseline for failure detection with emphasis on rigorous validation and probability calibration. Models such as Random Forest (RF), Multilayer Perceptron (MLP), and classical baselines were evaluated via nested cross-validation with strict leakage control. Metrics included Average Precision, recall, precision, Brier score, and Expected Calibration Error (ECE), while the impact of SMOTE on class imbalance was analyzed. RF achieved the most robust balance between discrimination and calibration reliability, whereas MLP with SMOTE improved sensitivity but incurred calibration and false-positive trade-offs. Torque and tool wear emerged as dominant predictors, aligning with physical degradation mechanisms. By explicitly linking predictive performance to probability calibration and operational cost considerations, this work provides an actionable, cost-aware reference baseline for PdM within Total Productive Maintenance frameworks.

A sociedade contemporânea é responsável por gerar várias fontes de dados, que são convertidas em grandes volumes de Big Data. Esses dados são armazenados em Data Centers e, mais recentemente, em Data Lakes, que possuem uma capacidade ainda maior de armazenamento e que são capazes de receber grandes volumes de dados variados. O cotidiano do processamento de dados é feito por intermédio de softwares como Hadoop, Hive, SAS e SQLMS, juntamente com outros, e a integração dessas diversas fontes é complexa no ambiente empresarial. A automação, especialmente pela linguagem Python, pode reduzir variáveis no processo da eficiência operacional, uma vez que é viável diminuir o tempo de processamento e erradicação do número de erros. O presente trabalho visa a investigar os benefícios advindos da robótica no processo de unificação e automação dos dashboards de uma grande empresa do setor financeiro do Brasil, tendo em vista a eficiência e a confiabilidade das tarefas.