Na qualidade de principal agente polinizador, as abelhas são essenciais à produção de alimentos para o ser humano e para manutenção dos ecossistemas. Entre as culturas agrícolas utilizadas para o consumo humano, 75% dependem de polinização. Alinhando-se a uma preocupação atual com a sobrevivência das abelhas, este artigo visa identificar padrões de colônias de Apis mellifera a fim de auxiliar o apicultor no manejo e na manutenção de suas colmeias. Nosso método consistiu na aplicação de uma técnica de clusterização em dois datasets reais de colmeias em clima temperado com dados de temperatura, umidade e massa. Foram utilizados três datasets do portal HiveTool.net; dois deles divididos em período frio (outono e inverno) e período quente (primavera e verão) e o terceiro, para efeito comparativo, dividido em períodos mesclando estações frias e quentes: inverno e primavera, e verão e outono. A partir da aplicação do índice Calinski-Harabasz e do algoritmo K-means, identificamos padrões coerentes e associados às transições entre as estações do ano. Além disso, pudemos concluir que a colônia mais forte é mais eficiente ao tentar manter o microclima da colmeia durante o inverno.
O reconhecimento de espécies de abelhas e demais polinizadores pode contribuir diretamente para a conservação de ecossistemas. O objetivo desse trabalho é desenvolver um modelo de processamento digital de imagens, para reconhecimento automático de abelhas melíferas (Apis mellifera L.) entre as demais espécies de abelhas e outros insetos, por meio do uso de redes neurais convolucionais. Para treinamento do modelo proposto foi utilizado um conjunto de dados composto por 2.300 imagens, separadas entre a espécie de abelha melífera e demais insetos (incluindo outras abelhas nessa classe), as quais foram denominadas de "Não Apis". O modelo de rede neural proposto respondeu com 94% de acurácia, culminando em um modelo de predição com um alto índice de precisão capaz de reconhecer imagens de abelhas melíferas e diferenciá-la das demais abelhas e outros insetos.
Este estudo analisou os microdados do ENADE de 2014, 2017 e 2021 para o curso de Redes de Computadores da UFC – Campus Quixadá, visando melhorias no curso. Observou-se uma queda no desempenho dos estudantes, com acertos passando de 61,4% em 2014 para 43,7% em 2021. Apesar disso, os alunos da UFC de Quixadá superaram a média nacional nos três anos. Nos anos de 2014 e 2017, “Equipamentos para Interconexão de Redes de Computadores” foi o tema com mais erros. O Questionário de Percepção da Prova revelou que, em 2017 e 2021, a principal dificuldade foi a diferença entre o conteúdo da prova e o ensinado em sala.