Abstract
O pensamento computacional é considerado uma aptidão fundamental no século XXI, pois permite aumentar a capacidade analítica das crianças nas diversas áreas do conhecimento (WING, 2006; RESNICK, 2012). Ao ser desenvolvido o pensamento computacional, as crianças ficam mais literadas tecnologicamente, deixando de ser meros utilizadores e passando a ter a aptidão de desenvolver (BARRADAS; LENCASTRE; SOARES; VALENTE, 2019). O desenvolvido do pensamento computacional promove competências como o ‘pensamento abstrato’ - utilização de diferentes níveis de abstração para compreender os problemas e, passo a passo, os solucionar -, o ‘pensamento algorítmico’ - expressão de soluções em diferentes etapas de forma a encontrar a forma mais eficaz de resolver um problema -, o ‘pensamento lógico’ - formulação e exclusão de hipóteses - e o ‘pensamento dimensionável’ - decomposição de um grande problema em pequenas partes ou composição de pequenas partes para formular uma solução mais complexa (PHILLIPS, 2009; RESNICK, 2012; MIT, 2011). Tais competências, associadas às ciências da computação, transpõem-se para outras áreas de saber e, consequentemente, para o dia a dia dos jovens, tornando-os mais reflexivos e críticos, logo, mais preparados para o mundo (BRENNAN; RESNICK, 2012). O presente capítulo relata uma experiência pedagógica desenvolvida do âmbito de um programa de Doutoramento em Engenharia Eletrotécnica e de Computadores com aplicação à Educação. Sendo o pensamento computacional a capacidade de formular um problema e de encontrar uma solução (CUNY; SNYDER; WING, 2010; COSTERMANS, 2001), este estudo pretendeu desenvolver o pensamento computacional em idades precoces (COELHO; ALMEIDA; ALMEIDA; LEDESMA; BOTELHO; ABRANTES, 2016) usando a plataforma CODE.org de forma a resolver problemas reais através do estímulo à capacidade de abstração com recurso à prática simulada e experimentada. A plataforma CODE.org. é um ambiente de aprendizagem online que tem como objetivo disponibilizar exercícios sobre computação para crianças de várias idades. O grupo de estudo foi constituído por 133 alunos pertencentes a cinco turmas do 4.º ano de escolaridade (9 e 10 anos de idade) ao longo de dois anos letivos, assim divididos: 2017/2018, 28 alunos 4.º A e 28 alunos 4.º B; 2018/2019, 27 alunos 4.º C, 26 alunos 4.º D, 24 alunos 4.º ano E. Inicialmente foram trabalhados com todos os alunos os conceitos básicos da plataforma CODE.org. – i.e., a forma de encaixe dos blocos, localização das áreas de trabalho, detalhes da interface como o palco da ação e os botões de execução, bem como as credenciais de acesso. Posteriormente, foi desenvolvido o pensamento computacional através de exercícios práticos laboratoriais orientadas à resolução de problemas (JONASSEN, 2004) envolvendo (1) sequências, (2) ciclos, (3) execução em paralelo, (4) eventos, (5) condições, (6) operadores e (7) dados, o que permitiu aos alunos criar o seu primeiro jogo FlappyBird (também na plataforma CODE.org.). Os dados foram recolhidos através dos registos automáticos da plataforma CODE.org para tratamento estatístico. A principal conclusão retirada a partir desta experiência pedagógica é que a plataforma CODE.org. é uma opção válida para desenvolver o pensamento computacional em idades precoces e uma boa forma dos alunos começarem a resolver problemas reais através do estímulo à capacidade de abstração com recurso à prática simulada e experimentada. A nossa convicção é que esta experiência pedagógica dotará estas crianças de competências essenciais para a vida cada vez mais complexa no século XXI, das quais fazem parte a criatividade e a inovação, o pensamento crítico e a resolução de problemas, a comunicação e a colaboração (PARTNERSHIP FOR 21ST CENTURY SKILLS, 2009).

Abstract

Abstract

Abstract
In this paper, we explore the use of reference values (predictors) for the optimal objective function value of hard combinatorial optimization problems, instead of bounds, obtained by data mining techniques, and that may be used to assess the quality of heuristic solutions for the problem. With this purpose, we resort to the rectangular two-dimensional strip-packing problem (2D-SPP), which can be found in many industrial contexts. Mostly this problem is solved by heuristic methods, which provide good solutions. However, heuristic approaches do not guarantee optimality, and lower bounds are generally used to give information on the solution quality, in particular, the area lower bound. But this bound has a severe accuracy problem. Therefore, we propose a data mining-based framework capable of assessing the quality of heuristic solutions for the 2D-SPP. A regression model was fitted by comparing the strip height solutions obtained with the bottom-left-fill heuristic and 19 predictors provided by problem characteristics. Random forest was selected as the data mining technique with the best level of generalisation for the problem, and 30,000 problem instances were generated to represent different 2D-SPP variations found in real-world applications. Height predictions for new problem instances can be found in the regression model fitted. In the computational experimentation, we demonstrate that the data mining-based framework proposed is consistent, opening the doors for its application to finding predictions for other combinatorial optimisation problems, in particular, other cutting and packing problems. However, how to use a reference value instead of a bound, has still a large room for discussion and innovative ideas. Some directions for the use of reference values as a stopping criterion in search algorithms are also provided.

Abstract

Abstract
Endoscopic capsules are vitamin-sized devices that leverage from a small wireless camera to create 8 to 10 hour videos of the patients' entire digestive tract, still being the leading tool to diagnose small bowel diseases. The revision of the produced videos is a very time-consuming task, currently conducted manually and frame-by-frame by an expert. Since endoscopic videos usually contain a considerable amount of frames where the mucosa is not clearly visible, the segmentation of the informative regions is a vital component to reduce the necessary time to review each exam. In this work, a CNN encoder-decoder architecture is applied to segment informative regions in small bowel frames of videos of endoscopic capsules. The network was trained and tested with a dataset of 2,929 manually annotated images, achieving a 91.2% Dice coefficient and 83.9% IoU. Furthermore, a video-wise analysis based on the amount of informative pixels in each frame is done.