In this paper, we use an evolutionary swarm intelligence approach to build an automatic electric dispatch controller for an offshore wind power plant (WPP). The optimal power flow (OPF) problem for this WPP is solved by the Canonical Differential Evolutionary Particle Swarm Optimization algorithm (C-DEEPSO). In this paper, C-DEEPSO works as a control system for reactive sources in energy production. The control operation takes place in a daily energy dispatch, scheduled into 15 min intervals and resulting in 96 operating test scenarios. As the nature of the optimization problem is dynamic, a fine-tuning of the initialization parameters of the optimization algorithm is performed at each dispatch interval. Therefore, a version of the C-DEEPSO algorithm has been built to automatically learn the best set of initialization parameters for each scenario. For this, we have coupled C-DEEPSO with the irace tool (an extension of the iterated F-race (I/F-Race)) by using inferential statistic techniques. The experiments carried out showed that the methodology employed here is robust and able to tackle this OPF-like modeling. Moreover, the methodology works as an automatic control system for a dynamic schedule operation.

O Machine Teaching é um ambiente de aprendizagem online de programação utilizado desde 2018 como ferramenta de apoio em cursos introdutórios. Além de apoiar os alunos em suas práticas e os professores na correção das tarefas, o Machine Teaching coleta dados enquanto os alunos programam. Esses dados são analisados e usados para apoiar a tomada de decisões. Em seu atual estágio de desenvolvimento, a meta é transformar as análises de dados implementadas em ações concretas, que implementem melhorias no curso e no processo de aprendizagem. Para isso, investigamos se a ferramenta projetada é útil para professores e alunos, quais dados devem ser coletados, e se sua apresentação é adequada aos processos de decisão dos diferentes atores no cenário de ensino introdutório de programação. Nossos resultados indicam que o sistema cumpre parcialmente com as metas estabelecidas, como sua usabilidade e utilidade, mas que há espaço para avanços no suporte à decisão.

Em um mundo com cada vez mais computadores, é imprescindível que as pessoas saibam resolver problemas usando computadores de forma eficaz. Para tal, é necessário introduzir pessoas ao Pensamento Computacional: um meio de resolver problemas que consiste em interpretar e dividir problemas grandes em problemas menores com soluções conhecidas e descrever essa solução na forma de um algoritmo. O jogo Léo & Maya é uma forma de ajudar no ensino de Pensamento Computacional para crianças de sete a onze anos. Ele consiste em vinte e duas fases de complexidade crescente onde o jogador é levado a montar algoritmos usando um conjunto específico de instruções para completar objetivos específicos, por vezes fazendo uso de Pensamento Computacional Paralelo para controlar mais de um personagem dentro de uma fase. Apesar da validação ter ocorrido durante a pandemia do Covid-19, que limitou o acesso aos voluntários entrevistados, a recepção por parte dos professores entrevistados, responsáveis por alunos dentro da faixa etária pretendida foi positiva, apontando para um futuro promissor para o projeto.