A COVID-19 tem causado pânico e transtornos pelo mundo, principalmente pela sua forma de contágio e às altas taxas de internação em Unidades de Terapia Intensiva (UTI). Os infectados por COVID-19, geralmente apresentam sintomas que acometem o sistema respiratório. A análise de imagens de raio-x de tórax têm auxiliado o entendimento do quadro clínico dos pacientes com COVID-19, possibilitando uma melhor perspectiva dos impactos causados no pulmão. Este trabalho aborda a classificação de imagens de raio-x em três classes distintas: COVID-19, Normal e Pneumonia Viral, utilizando oito diferentes modelos convolucionais de aprendizado profundo, sendo eles a VGG16, VGG19, InceptionV3, ResNet50, InceptionResNetV2, Xception, DenseNet201 e NASNetLarge. Na classificação binária de COVID-19 e Normal, o modelo Xception se destacou na maioria da medidas de desempenho com valores em torno de 99\%. Na classificação binária entre COVID-19 e Pneumonia Viral, o modelo DenseNet201 alcançou os melhores resultados na maioria das medidas de desempenho em torno de 98%. Na classificação multiclasse a DenseNet201 alcançou os melhores resultados em quatro das seis medidas de desempenho com valores entre 94% e 96%.

O presente artigo aborda a experiência vivenciada pelos alunos de uma instituição de nível superior no projeto de extensão Inclusão Digital e Informática Educativa no Ensino Fundamental da Rede Pública. Tendo como objetivo, expor e problematizar o uso da informática pelos alunos de rede pública, expondo questões de inclusão digital, informática na educação e o uso de softwares educacionais. O projeto de extensão foi realizado nos municípios de Paulista, Pombal, São Mamede, e Teixeira do estado da Paraíba, visando a Inclusão Digital de alunos das escolas públicas.

No abstract

Este artigo tem como objetivo analisar a viabilidade da prática da monitoria a distância utilizando ferramenta de videoconferência, afim de melhorar a comunicação entre alunos e monitores, flexibilizando a disponibilidade dos mesmos, além de dispensar a necessidade de se locomover para a cidade da instituição, realizando o suporte da monitoria a distância. Para isso, foi realizado uma pesquisa em uma instituição de ensino superior, para mensurar o benefício do uso de ferramentas de videoconferência para monitoria a distância.

A busca por eficiência na triagem de pacientes com indicativo de infecção por COVID-19 tem impulsionado pesquisadores de diversas áreas no desenvolvimento de sistemas de apoio, com particular ênfase noaprendizado profundo. Neste trabalho, consideramos as imagens de Raio-X de tórax, que são segmentadas para identificar os pulmões como região de interesse. Para tal, o modelo MultiResUnet é utilizado, obtendo um Índice de Jaccard de 93,34% e Coeficiente Dice de 96,53%. As imagens segmentadas alimentaram três modelos profundos com diferentes níveis de complexidade sendo um baseado em uma Máquina de Vetores de Suporte ( SVM) do tipo Classe Única. Os modelos de aprendizado profundo apresentaram desempenho superior, quando comparados ao SVM, obtendo uma sensibilidade de 98% para a identificação da COVID-19. Porém, observou-se que o aumento da complexidade não propiciou ganhos expressivos de desempenho.