Uma pergunta recorrente na análise da evolução temporal de crimes é a correlação entre os Segmentos Urbanos (SU), como setor industrial, área central, regiões de alto, médio e baixo padrão, e os Tipos de Crimes (TC) mais comuns, por exemplo, homicídios, furtos, entre outros. Outra questão relevante neste contexto é entender qual tem sido a evolução criminal associada a cada segmento. A resposta para tais perguntas são demasiadamente complexas, uma vez que são influenciadas não apenas por variáveis socioeconômicas e culturais, mas também por fatores exógenos de difícil compreensão e sistematização, como por exemplo, a existência da percepção de punição diferenciada e os valores que cada indivíduo atribui pelo histórico de relacionamento e formação familiar. Este projeto de pós-doutorado almeja combinar modelos de mapeamento de SU em imagens de Sensoriamento Remoto, métricas espaciais, e redes neurais profundas em grafos (GNN - Graph Neutral Networks) para produzir mapas de insegurança, endereçando assim as perguntas acima levantadas. A ideia é combinar ambas as representações: geoespacial, obtidas por imagens de satélite, e a latente, fornecida pela aplicação de um modelo baseado em GNN, confrontando cada uma dessas informações de modo a fazer corresponder segmentos e crimes. Tal abordagem possibilitará inovar na forma de interpretar a dinâmica criminal por categoria, avançando assim no debate de como a classe social de um dado segmento pode influenciar nos diferentes tipos de crimes cometidos.

Desenvolvimento de metodologia para identificação de cultivos agrícolas e identificação de datas de plantio e colheita a partir dos dados de sensoriamento remoto a algoritmos de ciência de dados. Modelagem para a estimação das produtividades utilizando o sistema DSSAT e modelos de machine learning. Importante ressaltar que na Fase II do PIPE elevar-se-á o grau de complexidade e precisão dos resultados ao utilizar não somente as informações de clima, solo e genética, mas também a integração de dados provenientes de sensores orbitais, para obter séries de produtividades em uma escala de 250x250 m2. Cálculo do "rating" para cada propriedade, em cinco categorias distintas de risco. Cálculo da taxa de prêmio pura para cada propriedade, em cinco categorias distintas de risco.

Este projeto tem como objetivo divulgar os projetos e pesquisas desenvolvidas pelo Núcleo de Desenvolvimento da Criatividade - NUDECRI/Unicamp. O NUDECRI, composto pelo Laboratório de Estudos Avançados em Jornalismo (Labjor) e pelo Laboratório de Estudos Urbanos (Labeurb), realiza pesquisas sobre diferentes problemáticas relacionadas às Tecnologias de Informação, ao uso de plataformas digitais, à proteção ao meio ambiente e à divulgação científica. Dessa forma, a partir da produção de notícias, reportagens e entrevistas a serem publicadas nos sites do Labjor e do Labeurb, na página do Facebook e perfil do Instagram do NUDECRI e na Revista eletrônica de Jornalismo Científico Comciência, esperamos não só informar os indivíduos e a população, de modo geral, sobre resultados de pesquisas científicas em andamento, como também favorecer a valorização da ciência, o interesse pela atividade científica e o estreitamento da relação entre Universidade e sociedade.

A pessoa bolsista nível TT3 estará dedicada a acompanhar o planejamento e execução do projeto junto aos pesquisadores líderes, participando: da tomada de decisões quanto à estratégias científicas (problemas e enfoques de solução a serem trabalhos no projeto); do levantamento e análise do conhecimento acadêmico (literatura) e tecnológico (prospecção tecnológica) existente; do gerenciamento da equipe do projeto; da integração das atividades do projeto desenvolvidas pela equipe; da produção tecnico-científica; e da disseminação de resultados do projeto à sociedade. Desenvolvimento de competências em atividades de gestão de pesquisa, gerenciamento de projetos, técnicas de levantamento de informação científica e tecnológica, produção científica e disseminação de conhecimento. Garantia de qualidade na execução do projeto e de seus resultados.

O Projeto Pauliceia 2.0 - Fase 2 dá prosseguimento a uma primeira fase do projeto, que foi desenvolvido de fevereiro de 2017 a janeiro de 2019. Assim, o presente projeto mantém o compromisso com a produção de conhecimento sobre a história de São Paulo a partir da Plataforma Web produzida na Fase 1. A Fase 2 propõe a otimização da Plataforma existente, bem como atividades que visam a expansão espaço-temporal das pesquisas. O(a) bolsista em questão ficará responsável pelo componente historiográfico de parte da expansão espacial do alcance do geolocalizador de endereços da plataforma, no que atuará em estreita colaboração com o(a) bolsista que se ocupará da parte restante (área 2 - Plano número 5) e com o(a) bolsista TT1 da área de computação que se ocupará das questões tecnológicas da expansão do uso do geolocalizador (Plano número 2).

Este projeto tem como propósito abordar os desafios intrínsecos à resolução de problemas de otimização que envolvem múltiplos objetivos, particularmente em cenários onde o número de objetivos ultrapassa três. Denominado "Identificação de Conjuntos Máximos Independentes em Problemas de Otimização com Múltiplos Objetivos," o foco principal recai sobre a implementação e aprofundamento no estudo de métodos que se dedicam a solucionar essa complexa questão.Problemas de otimização com múltiplos objetivos desempenham um papel crítico em diversas áreas do conhecimento. Apesar do desenvolvimento de algoritmos notáveis para lidar com esses problemas, a maioria deles se concentra em cenários com apenas dois ou três objetivos, o que pode se revelar insuficiente para representar adequadamente problemas do mundo real, que frequentemente envolvem uma multiplicidade de objetivos complexos e inter-relacionados.Um dos principais desafios quando se trabalha com um grande número de objetivos é a chamada "maldição da dimensionalidade." Conforme o número de objetivos aumenta, a representação da fronteira de Pareto se torna exponencialmente mais complexa, resultando em um aumento substancial na carga computacional, devido à necessidade de avaliar um grande número de soluções candidatas. Além disso, a visualização dos resultados torna-se inviável após a terceira dimensão, tornando difícil para os pesquisadores compreenderem completamente o espaço de solução.O objetivo principal do bolsista neste projeto é desenvolver um notebook em Python que será acessível e utilizável por pesquisadores interessados na área de otimização e tomada de decisão com múltiplos objetivos.Esse notebook será uma valiosa contribuição para a comunidade de pesquisa, pois fornecerá uma abordagem prática e acessível para abordar a complexidade inerente a problemas de otimização com múltiplos objetivos. Ele incluirá implementações dos métodos estudados neste projeto, facilitando a análise e experimentação por parte dos pesquisadores.

O período da infância e adolescência é essencial para a compreensão dos mecanismos de funcionamento do cérebro, especialmente em múltiplas condições neuropsiquiátricas. Uma vez que a maioria dos transtornos psiquiátricos começa nesta fase, em que o cérebro passa por intensas mudanças que resultam na consolidação das redes de conectividade cerebral. Em particular, o estudo da neurofisiologia durante o estado de repouso (ou seja, o estado em que o cérebro não recebe conscientemente nenhum estímulo interno ou externo) no nível macroscópico é de grande interesse, por seus padrões complexos que os componentes microscópicos não podem explicar. Diferentes técnicas podem ser empregadas para medir a função cerebral na escala macroscópica, como a ressonância magnética funcional (fMRI). Com fMRI é possível estudar a organização funcional do cérebro, o que permite a busca de biomarcadores preditivos para distúrbios do neurodesenvolvimento e neuropsiquiátricos para elucidar seus mecanismos subjacentes. Recentemente, estudos de neuroimagem têm empregado técnicas de aprendizado de máquina, que permitem inferências estatísticas de características neurofisiológicas de múltiplos distúrbios. Nesse contexto, este projeto visa usar um modelo de aprendizado de máquina de última geração chamado Graph convolutional neural networks (GCN), que opera em domínios não euclidianos para capturar padrões em grafos que modelos mais clássicos não conseguem. Assim, fornecendo uma análise em nível de rede que captura informações topológicas dentro de redes cerebrais de vários distúrbios neuropsiquiátricos.

O presente projeto, que será desenvolvido na EMEF/EJA Padre Leão Vallerie (Campinas/SP), tem como objetivo potencializar a produção e sistematização de conhecimentos e saberes sobre a organização do trabalho pedagógico, as práticas instituintes e os aprendizados dos/as estudantes no atravessamento (inter/trans)disciplinar e coletivo, envolvendo leitura e escrita, ciências, educação física e arte. Tal proposta se justifica tanto pelos conhecimentos acumulados nas áreas citadas como pela condição de trabalho docente na escola, também decorrente do retorno de trabalho presencial, pós-isolamento social decorrentes da pandemia de COVID-19. O projeto foi elaborado em colaboração com as profissionais da escola parceira e envolverá a participação de professoras/es e estudantes do ensino fundamental e professoras/es e estudantes da universidade. Decorrente do objetivo exposto, a centralidade dos processos de ensinar aprender estarão voltados para a comunidade de estudantes da escola e a comunidade de estudantes do curso de Pedagogia de uma universidade pública, em estreita relação. A metodologia de pesquisa será baseada nas abordagens narrativas e (auto)biográficas. Nessa perspectiva, os processos investigativos e formativos acontecem em diálogo e acontecem em diálogo, na mediação entre escola e universidade, para a produção e fortalecimento de práticas educativas outras. Pretende-se contribuir com o desenvolvimento de práticas pedagógicas nas áreas anteriormente citadas, voltadas para uma formação humana integral de estudantes do ensino fundamental na modalidade regular e na educação de jovens e adultos (EJA), bem como estreitar o diálogo formativo entre os/as profissionais das redes públicas de ensino e a formação de professores/as na universidade. (AU)

O desmatamento ilegal e a degradação da floresta amazônica são fontes de grandepreocupação do governo brasileiro, principalmente devido ao impacto que causam ao meio ambientee ao agronegócio. Os documentos de origem (DOF) são hoje um dos principais mecanismos pararastrear o fluxo madeireiro desde sua origem até o consumidor final, sendo, portanto, um importanteinstrumento para identificar empreendimentos ilegais e o fluxo madeireiro na Amazônia. Porém,processar os dados DOF a fim encontrar inconsistências na rede de transações é um grande desafio,principalmente devido ao grande volume de dados.Este projeto irá empregar técnicas de ciência de dados para processar a base de dados DOFa fim de detectar inconsistências, dados faltantes e discrepantes, principais empreendimentosenvolvidos na rede madeireira e os principais fluxos de madeira entre empreendimentos. Os dadosprocessados darão subsídios para a equipe de pesquisa que vem desenvolvendo técnicas deextração de padrões em redes madeireiras, possibilitando uma melhor compreensão do ecossistemadas transações de madeira. Desta forma, o trabalho técnico que será desenvolvido neste projeto é defundamental importância para os avanço da pesquisa que vem sendo desenvolvidas nesta área.

O Projeto Pauliceia 2.0 - Fase 2 dá prosseguimento a uma primeira fase do projeto, que foi desenvolvido de fevereiro de 2017 a janeiro de 2019. Assim, o presente projeto mantém o compromisso com a produção de conhecimento sobre ahistória de São Paulo a partir da Plataforma Web produzida na Fase 1. A Fase 2 propõe a otimização da Plataforma existente, bem como atividades que visam a expansão espaço-temporal das pesquisas. O(a) bolsista em questão ficará responsável pela sistematização dos testes de aceitação da plataforma, organizando oficinas com a equipe do projeto e com possíveis colaboradores interessados e estruturando relatórios periódicos para a equipe de computação do projeto, em colaboração estreita com o(a) bolsista do plano 1.