Turmas de estudantes naturalmente apresentam perfis diferentes em relação a níveis de aprendizagem, interação ou engajamento. Este trabalho apresenta uma abordagem que identifica perfis de estudantes em uma turma e, com base neles, forma grupos heterogêneos com vistas à aplicação de Práticas Ativas de Aprendizagem (PAA). Para tal, usa um método de aprendizado de máquina não supervisionado para criação de grupos homogêneos e define uma estratégia adaptada para a formação de grupos com perfis heterogêneos específicos para PAAs. A abordagem foi avaliada com base em dados reais de turmas do ensino técnico integrado ao médio considerando a PAA denominada Aprendizagem Baseada em Equipes (ABE).

Com as mudanças climáticas, estudos que considerem elementos para administrar prejuízos causados por queimadas nas proximidades ou no interior de municípios por meio do potencial radioativo do fogo podem ser úteis. Nesse contexto, este trabalho apresenta uma abordagem para predizer, a partir de regressão ponderada geograficamente, a incidência do potencial radioativo de queimadas. Para isso, dados extraídos do projeto FIRMS da NASA e do INMET (Instituto Nacional de Meteorologia) foram obtidos, tratados, e algumas variáveis topográficas foram adicionalmente derivadas. O trabalho considera a área do município de João Pessoa (no nordeste do Brasil) como objeto de estudo e faz uso de métodos de aprendizado de máquina baseados em regressão linear espacial, considerando dois cenários, cujas diferenças se situam na extensão das amostras e na escolha das variáveis independentes. O primeiro cenário abrange amostras mais concentradas em João Pessoa, e inclui as variáveis climáticas, de satélite e topográficas; e o segundo cenário abrange toda a mesorregião da zona da mata paraibana, porém não considera as variáveis climáticas. Os resultados obtidos são promissores.