Abstract
As profundas transformações globais deste século: pandemia do Covid-19, mudanças climáticas e inovações tecnológicas evidenciam a interdependência entre humano, natureza e tecnologia, desafiando a visão antropocêntrica predominante e redefinindo a compreensão do mundo. Esse contexto afeta a educação e consequentemente as pesquisas em educação que são instigadas a repensar o paradigma e a ética que orienta suas formas de operar. O objetivo é compreender como as transformações globais recentes desafiam o paradigma antropocêntrico predominante e provocam uma redefinição do paradigma educacional e da ética que fundamenta a educação e a pesquisa em educação, com foco na interdependência entre humanos, natureza e tecnologia. O procedimento metodológico envolve revisão teórica das contribuições de autores como Serres, Latour e Di Felice, que destacam a interconectividade entre humanos, natureza e tecnologia, o que contribui para pensar a educação no terceiro milênio. Os resultados sugerem que a educação permanece pouco permeável às mudanças globais e aos desafios para habitar o terceiro milênio. Perspectivas inovadoras, como o Paradigma da Educação OnLIFE, apresentam-se como alternativas que incorporam a conectividade digital e a hibridização dos espaços, tempos, tecnologias, presenças, linguagens e modalidades educacionais, na composição de novos espaços a serem habitados pelo ensinar e pelo aprender. Esse paradigma - ao operar na problematização e na invenção - refere-se a uma formação em ecossistemas ecologicamente conectados, onde humanos e não-humanos co-criam conhecimento em ambientes digitais e físicos, interligados, enfatizando a necessidade de uma nova política cognitiva na educação e, portanto, de uma ética que ultrapasse o antropocentrismo e adote uma perspectiva ecológica e conectiva.

Abstract

Abstract
Os desafios e as potencialidades de uma realidade hi perconectada numa era de hiperinteligência nos fazem pen sar num outro tipo de docência para o ensino superior e para a pós-graduação, dadas as transformações digitais pelas quais temos passado. Com o objetivo de compreender como formar o professor para a Docência OnLIFE, o percurso da pesquisa- -desenvolvimento-formação se fundamenta no método car tográfico de pesquisa-intervenção. Os artigos que constituem esta obra têmcomo foco a formação do professor-pesquisador, nesse sentido abordam: umhistórico das pesquisas realizadas pelo GPe-dU UNISINOS, uma discussão sobre amodalidade da Pós-Graduação stricto sensu, a construção de um programa de formação docente que tem início como uma ação de ex tensão em 2018 e se vai constituindo e ampliando para uma Especialização, em nível lato sensu, proposta em 2020, num processo de inventividade e inovação curricular e metodológi ca, com um público também diferenciado e pouco estudado: o professor-pesquisador de pós-graduação. Os capítulos deste livro vão problematizar as competên cias necessárias à docência na contemporaneidade, propondo a Rede de Competências para a Docência OnLIFE (Schlemmer, 2021). Essas competências são organizadas por dimensões, que apresentamos como “os 5D's da Formação Docente OnLI FE” (Schlemmer, 2019). Essas competências, organizadas nas dimensões, vão demandar, como se verá, outra concepção de currículo, que se apresenta de forma reticular. As metodologias e práticas inventivas que são construídas nesse escopo nos levam a propor uma docência OnLIFE.

Abstract
All types of sports are potential application scenarios for automatic and real-time visual object and event detection. In rink hockey, the popular roller quad skate variant of hockey team sports, it is of great interest to automatically track player’s movements and positions, player’s sticks and, also, making other judgments, such as being able to locate the ball. In this work, we introduce a real-time pipeline composed by an object detection model, created specifically for rink hockey games, followed by a knowledge-based event detection module. Even in the presence of occlusions and quick motions, our deep learning object detection model effectively identifies and tracks, in real-time, important visual elements such as: ball; players; sticks; referees; crowd; goalkeeper; and goal. Using a curated dataset composed by a collection of videos of rink hockey, comprising 2525 annotated frames, we trained and evaluated the algorithm performance and compare it to state of the art object detection techniques. Our object detection model, based on YOLOv7, presents a global accuracy of 80%, and presents a good performance in terms of accuracy and speed, according to our results, making it a good choice for rink hockey applications. In our initial tests, the event detection module successfully detected one important event type in rink hockey games, the occurrence of penalties.

Abstract
All types of sports are potential application scenarios for automatic and real-time visual object and event detection. In rink hockey, the popular roller skate variant of team hockey, it is of great interest to automatically track player movements, positions, and sticks, and also to make other judgments, such as being able to locate the ball. In this work, we present a real-time pipeline consisting of an object detection model specifically designed for rink hockey games, followed by a knowledge-based event detection module. Even in the presence of occlusions and fast movements, our deep learning object detection model effectively identifies and tracks important visual elements in real time, such as: ball, players, sticks, referees, crowd, goalkeeper, and goal. Using a curated dataset consisting of a collection of rink hockey videos containing 2525 annotated frames, we trained and evaluated the algorithm's performance and compared it to state-of-the-art object detection techniques. Our object detection model, based on YOLOv7, presents a global accuracy of 80% and, according to our results, good performance in terms of accuracy and speed, making it a good choice for rink hockey applications. In our initial tests, the event detection module successfully detected an important event type in rink hockey games, namely, the occurrence of penalties.

Abstract
Imbalanced data are present in various business sectors and must be handled with the proper resampling methods and classification algorithms. To handle imbalanced data, there are numerous resampling and learning method combinations; nonetheless, their effective use necessitates specialised knowledge. In this paper, several approaches, ranging from more accessible to more advanced in the domain of data resampling techniques, will be considered to handle imbalanced data. The application developed delivers recommendations of the most suitable combinations of techniques for a specific dataset by extracting and comparing dataset meta-feature values recorded in a knowledge base. It facilitates effortless classification and automates part of the machine learning pipeline with comparable or better results than state-of-the-art solutions and with a much smaller execution time.