Multi-Robot System (MRS) is composed of a group of robots that work cooperatively. However, Multi-Agent System (MAS) is computational systems consisting of a group of agents that interact with each other to solve a problem. The central difference between MRS and MAS is that in the first case, the agent is a robot, and in the second, it is a software. Analyzing the scientific literature, it is possible to notice that few studies address the integration between MAS and MRS. In order to achieve the interdisciplinary integration, the theoretical background of these areas must be considered in this paper, so that the integration can be applied using a case study of decentralized MRS. The objective of this MRS is to track and surround a stationary target. Also, it has been implemented and validated in the robot simulator called Virtual Robot Experimentation Platform (V-REP). In the validation of the proposed MRS, a scenario with three robots and a stationary target were defined. In the tracking task, the robot can detect the target whose position is not known a priori. When the detection occurs, the V-REP informs the target position to the robot because the environment is discretized into a grid of rectangular cells. After that, all the robots are directed to the target, and the surround task is realized. In this task, a mathematical model with direct communication between the robots was used to keep the robots equidistant therefrom and from each other.

A Inteligência Artificial (IA) na Educação tem sido utilizada para lidar com problemas de evasão e desempenho acadêmico de estudantes. Este artigo tem por objetivo apresentar uma Revisão Sistemática de Literatura (RSL) de trabalhos que abordam a predição de desempenho de estudantes. O trabalho buscou responder as seguintes questões: (a) Como os modelos de predição de estudante são utilizados no processo de ensino-aprendizagem; (b) Qual o conjunto de variáveis que melhor explica a predição de desempenho dos estudantes; (c) Como é um modelo de predição do desempenho dos estudantes. Os resultados mostram que embora haja trabalhos que apresentam altos valores de acurácia na predição, ainda existe uma grande oportunidade em relacionar e evidenciar quais são os benefícios para os estudantes e/ou professores. Artificial Intelligence in Education has been used to deal with problems of student dropout and academic performance. This article aims to present a Systematic Literature Review (RSL) of works that approach student performance prediction. The work sought to answer the following questions: (a) How are student prediction models used in the teaching-learning process? (b) Which set of variables best explains the prediction of student performance? (c) What does a student performance prediction model look like? The results show that although there are works that present high accuracy values in the prediction, there is still an excellent opportunity to relate and show the benefits for students and teachers. A Inteligência Artificial (IA) na Educação tem sido utilizada para lidar com problemas de evasão e desempenho acadêmico de estudantes. Este artigo tem por objetivo apresentar uma Revisão Sistemática de Literatura (RSL) de trabalhos que abordam a predição de desempenho de estudantes. O trabalho buscou responder as seguintes questões: (a) Como os modelos de predição de estudante são utilizados no processo de ensino-aprendizagem; (b) Qual o conjunto de variáveis que melhor explica a predição de desempenho dos estudantes; (c) Como é um modelo de predição do desempenho dos estudantes. Os resultados mostram que embora haja trabalhos que apresentam altos valores de acurácia na predição, ainda existe uma grande oportunidade em relacionar e evidenciar quais são os benefícios para os estudantes e/ou professores.

O objetivo principal deste trabalho é contribuir no repensar do uso de simulações computacionais no ensino superior. Uma proposta pedagógica é apresentada com a aplicação da Teoria da Aprendizagem Experiencial de Kolb e do ciclo de aprendizagem de Belhot para estruturar um conjunto de atividades de simulação computacional em laboratórios. O conteúdo escolhido para ser ensinado é a técnica Ant Colony Optimization, tendo sido adaptada e implementada no software RoboMind.

A análise dos resultados de aprendizagem dos estudantes, a partir dos instrumentos de avaliação, é essencial para retroalimentar o processo de ensino-aprendizagem. No entanto, somente os dados de avaliações somativas não são suficientes para compreender os insucessos dos estudantes. A aplicação de métodos de Mineração de Processos Educacionais em dados de log de eventos dos cursos podem revelar a trajetória de aprendizagem e apoiar uma análise mais robusta. Este artigo tem por objetivo analisar os possíveis impactos dos trajetos de aprendizagem no desempenho dos estudantes reprovados em uma disciplina, conduzida de forma semipresencial, ou seja, com aulas e exercícios a distância e com avaliações presenciais.