Informática · 10.º Ano · Dados, Informação e Conhecimento · 2o Periodo

Ética na Recolha e Uso de Dados

Os alunos exploram as implicações éticas da recolha massiva de informação, enviesamentos algorítmicos e o uso responsável dos dados.

• Aprendizagens Essenciais
• DGE: Secundário - Segurança e Ética
• DGE: Secundário - Cidadania Digital

Sobre este tópico

A ética na recolha e uso de dados aborda as implicações da recolha massiva de informação pessoal, os enviesamentos algorítmicos e a necessidade de práticas responsáveis. Os alunos do 10.º ano analisam riscos como a discriminação causada por algoritmos enviesados em perfis humanos, debatem o equilíbrio entre conveniência tecnológica e direito à privacidade, e preveem desafios éticos com a inteligência artificial e big data. Esta unidade integra-se no currículo de Pensamento Computacional e Literacia Digital Avançada, alinhando-se aos standards de Segurança e Ética e Cidadania Digital do secundário.

No contexto do Currículo Nacional, este tema desenvolve competências críticas de cidadania digital, incentivando os alunos a questionar fontes de dados e impactos sociais. Exploram casos reais, como enviesamentos em sistemas de recomendação ou vigilância digital, fomentando uma visão holística de dados como informação e conhecimento com responsabilidades éticas.

A aprendizagem ativa beneficia particularmente este tema porque envolve debates estruturados, análise de casos reais e simulações de dilemas éticos. Estas abordagens tornam conceitos abstratos concretos, promovem empatia através de perspetivas múltiplas e preparam os alunos para decisões informadas na sociedade digital.

Questões-Chave

1. Analise os riscos éticos da utilização de algoritmos para analisar perfis humanos.
2. Justifique como podemos equilibrar a conveniência tecnológica com o direito à privacidade.
3. Preveja os desafios éticos emergentes com o avanço da inteligência artificial e big data.

Objetivos de Aprendizagem

• Analisar criticamente os potenciais enviesamentos presentes em conjuntos de dados utilizados para treinar algoritmos de reconhecimento facial.
• Avaliar o impacto da recolha massiva de dados na privacidade individual e na autonomia das pessoas.
• Comparar diferentes abordagens éticas para a anonimização e proteção de dados pessoais em plataformas online.
• Sintetizar as implicações éticas da utilização de dados para a tomada de decisões em áreas como saúde ou justiça.
• Explicar como a falta de diversidade nos dados pode levar a resultados discriminatórios em sistemas de inteligência artificial.

Antes de Começar

Introdução ao Pensamento Computacional

Porquê: Os alunos precisam de uma compreensão básica de como os computadores processam informação para entenderem a recolha e uso de dados.

Segurança Digital e Boas Práticas Online

Porquê: É fundamental que os alunos já tenham noções sobre a importância da segurança online e a proteção de informações pessoais antes de abordarem as implicações éticas.

Vocabulário-Chave

Enviesamento algorítmico	Tendência de um algoritmo de produzir resultados sistematicamente tendenciosos ou injustos, muitas vezes devido a preconceitos presentes nos dados de treino.
Privacidade de dados	O direito de um indivíduo de controlar a recolha, uso e divulgação das suas informações pessoais.
Big Data	Conjuntos de dados extremamente grandes e complexos que requerem ferramentas e técnicas especializadas para análise e processamento.
Anonimização de dados	Processo de remover ou modificar informações identificáveis de um conjunto de dados para proteger a identidade dos indivíduos.
Consentimento informado	Acordo voluntário e explícito de um indivíduo para que os seus dados sejam recolhidos e utilizados, após ser totalmente informado sobre os propósitos e riscos.

Atenção a estes erros comuns

Erro comum

Os algoritmos são sempre neutros e imparciais.

O que ensinar em alternativa

Os enviesamentos surgem de dados de treino enviesados, refletindo preconceitos humanos. Abordagens ativas como análise de casos reais ajudam os alunos a identificar padrões discriminatórios através de discussões em grupo, corrigindo modelos mentais errados.

Erro comum

Dados anonimizados eliminam todos os riscos à privacidade.

O que ensinar em alternativa

A reidentificação é possível com cruzamento de conjuntos de dados. Simulações de recolha de dados em sala mostram como anonimato falha, fomentando reflexão crítica e criação de guidelines éticas colaborativas.

Erro comum

A recolha massiva de dados beneficia sempre a sociedade.

O que ensinar em alternativa

Pode agravar desigualdades se não for ética. Debates e role-plays revelam trade-offs, ajudando os alunos a equilibrar benefícios com direitos individuais via perspetivas partilhadas.

Ideias de aprendizagem ativa

Debate Formal: Privacidade vs. Conveniência

Divida a turma em equipas pró e contra o uso de dados para serviços personalizados. Cada equipa prepara argumentos com exemplos reais de enviesamentos algorítmicos. Realize o debate com turnos de 2 minutos, seguido de votação e reflexão coletiva.

45 min·Pequenos grupos

Análise de Caso: Enviesamentos em Algoritmos

Atribua casos reais de discriminação algorítmica, como recrutamento automatizado. Os grupos identificam fontes de enviesamento nos dados de treino, propõem correções e apresentam posters. Discuta impactos éticos em plenário.

50 min·Pequenos grupos

Simulação de Julgamento: Criação de Código Ético

Em pares, os alunos role-play como decisores de uma empresa de big data e criam um código ético para recolha de dados. Inclua cláusulas sobre anonimato e consentimento. Partilhem e critiquem os códigos em roda de discussão.

35 min·Pares

Mapa de Riscos Éticos: IA e Big Data

Individualmente, os alunos mapeiam riscos éticos emergentes num diagrama mental. Em grupos, combinem mapas e priorizem desafios. Apresentem previsões para o futuro da cidadania digital.

40 min·Individual

Ligações ao Mundo Real

• Empresas de redes sociais como a Meta (Facebook, Instagram) utilizam algoritmos para personalizar feeds e anúncios, levantando questões sobre a privacidade dos dados dos utilizadores e o potencial de manipulação de informação.
• Sistemas de reconhecimento facial usados por forças policiais em cidades como Londres ou Nova Iorque levantam preocupações éticas sobre vigilância em massa, precisão e potenciais enviesamentos contra minorias.
• Plataformas de streaming como a Netflix ou Spotify usam big data para recomendar conteúdos, o que pode criar 'bolhas de filtro' e limitar a exposição a novas ideias, além de recolher dados detalhados sobre os hábitos de consumo.

Ideias de Avaliação

Questão para Discussão

Apresente aos alunos um cenário hipotético: 'Uma empresa de recrutamento usa um algoritmo para selecionar candidatos com base em dados históricos de sucesso. Que riscos éticos podem surgir deste processo e como poderiam ser mitigados?' Peça aos alunos para discutirem em pequenos grupos e partilharem as suas conclusões com a turma.

Bilhete de Saída

Distribua um pequeno cartão a cada aluno. Peça-lhes para escreverem uma frase que explique o que é 'privacidade de dados' e outra que descreva um exemplo concreto de como a tecnologia pode ameaçar essa privacidade.

Verificação Rápida

Mostre aos alunos um exemplo simplificado de um conjunto de dados (ex: notas de alunos com informação demográfica). Pergunte: 'Identifiquem um potencial enviesamento neste conjunto de dados e expliquem como ele poderia afetar uma decisão tomada por um algoritmo.' Recolha as respostas para verificar a compreensão.

Perguntas frequentes

Quais os riscos éticos dos algoritmos em perfis humanos?

Algoritmos enviesados podem discriminar por género, etnia ou origem, como em sistemas de crédito ou recrutamento. Os alunos analisam como dados de treino enviesados perpetuam desigualdades. Práticas responsáveis incluem auditorias regulares e diversidade nos conjuntos de dados para mitigar impactos sociais.

Como equilibrar conveniência tecnológica com privacidade?

Exija consentimento informado, minimize recolha de dados e ofereça opções de opt-out. Casos como o RGPD em Portugal ilustram este equilíbrio. Os alunos justificam escolhas éticas ponderando benefícios coletivos contra direitos individuais, promovendo uso responsável de tecnologia.

Como a aprendizagem ativa ajuda na ética de dados?

Atividades como debates e simulações tornam dilemas éticos tangíveis, incentivando empatia e argumentação. Os alunos debatem perspetivas reais, analisam casos e criam códigos éticos, fixando conceitos melhor que aulas expositivas. Esta abordagem desenvolve cidadania digital crítica para desafios futuros.

Quais desafios éticos emergem com IA e big data?

Preveem-se questões como perda de autonomia, vigilância total e manipulação comportamental. Com avanços em IA preditiva, urge regular uso de dados sensíveis. Os alunos preveem cenários via mapas de riscos, preparando-se para legislações e normas éticas evolutivas.