Bases de Dados e Sistemas de Informação · 3o Periodo

Fundamentos de Inteligência Artificial

Os alunos introduzem-se ao machine learning e ao processamento de linguagem natural, compreendendo os conceitos básicos da IA.

Sobre este tópico

Os Fundamentos de Inteligência Artificial apresentam aos alunos do 12.º ano os conceitos básicos de aprendizagem automática e processamento de linguagem natural. Exploram como os algoritmos analisam grandes conjuntos de dados para identificar padrões, fazer previsões ou gerar respostas semelhantes à linguagem humana. Esta introdução alinha-se com o Currículo Nacional, nomeadamente nos domínios de Pensamento Computacional e Impactos da Tecnologia, preparando os alunos para debater questões como a criatividade das máquinas, que replicam padrões em vez de inovar verdadeiramente.

No contexto da unidade de Bases de Dados e Sistemas de Informação, os alunos analisam algoritmos de recomendação, que moldam opiniões através de sugestões personalizadas baseadas em comportamentos passados, e identificam enviesamentos comuns, como aqueles decorrentes de dados não representativos que perpetuam desigualdades. Estas discussões fomentam o pensamento crítico sobre ética digital e sociedade.

A aprendizagem ativa beneficia particularmente este tópico, pois permite aos alunos experimentar modelos simples de IA em ferramentas acessíveis, simular enviesamentos com dados reais e debater em grupo os impactos sociais. Assim, conceitos abstractos ganham relevância prática e os alunos desenvolvem competências de análise e argumentação colaborativa.

Objetivos de Aprendizagem

• Explicar o funcionamento básico de algoritmos de aprendizagem automática supervisionada e não supervisionada.
• Identificar e analisar exemplos de processamento de linguagem natural em aplicações quotidianas.
• Criticar os potenciais enviesamentos em sistemas de IA com base em dados de treino e exemplos históricos.
• Comparar a capacidade de uma máquina em replicar padrões versus demonstrar criatividade genuína.
• Avaliar o impacto dos algoritmos de recomendação na formação de opiniões e comportamentos do utilizador.

Antes de Começar

Conceitos Fundamentais de Programação

Porquê: Os alunos precisam de compreender estruturas de controlo (condicionais, ciclos) e manipulação de dados para entenderem como os algoritmos processam informação.

Introdução a Bases de Dados

Porquê: A compreensão de como os dados são armazenados e organizados é essencial para entender como a IA utiliza grandes volumes de informação para aprender.

Lógica e Resolução de Problemas

Porquê: A capacidade de decompor problemas e pensar de forma lógica é fundamental para compreender a abordagem algorítmica da IA.

Vocabulário-Chave

Aprendizagem Automática (Machine Learning)	Um ramo da IA que permite aos sistemas aprender e melhorar a partir de dados, sem serem explicitamente programados para cada tarefa.
Processamento de Linguagem Natural (PLN)	Uma área da IA focada na interação entre computadores e a linguagem humana, permitindo que as máquinas compreendam, interpretem e gerem texto ou voz.
Algoritmo de Recomendação	Um sistema que prevê as preferências de um utilizador e sugere itens (como filmes, produtos ou notícias) que podem ser do seu interesse.
Enviesamento (Bias) em IA	Tendências sistemáticas em sistemas de IA que resultam em resultados injustos ou discriminatórios, frequentemente devido a dados de treino que refletem preconceitos sociais.
Dados de Treino	O conjunto de dados utilizado para treinar um modelo de IA, permitindo-lhe aprender padrões e fazer previsões.

Ideias de aprendizagem ativa

Simulação de Julgamento: Treino de Classificador Simples

Os alunos usam uma plataforma como Teachable Machine para treinar um modelo com imagens ou sons. Divididos em grupos, recolhem dados, treinam o algoritmo e testam a precisão. Registam como mais dados melhoram os resultados.

⏱ 45 min·Pequenos grupos

Gerar missão

Análise de Estudo de Caso: Algoritmos de Recomendação

Apresente exemplos de plataformas como Netflix ou YouTube. Os alunos registam recomendações pessoais, identificam padrões e discutem em pares como influenciam escolhas. Criam um fluxograma do processo.

⏱ 30 min·Pares

Gerar missão

Debate Formal: Enviesamentos na IA

Divida a turma em equipas pró e contra afirmações como 'A IA é neutra'. Cada equipa pesquisa exemplos reais e apresenta argumentos com evidências. Vote no final para síntese coletiva.

⏱ 50 min·Pequenos grupos

Gerar missão

Aprendizagem Baseada em Projetos: Processamento de Linguagem Básico

Usando ferramentas como Google Colab, os alunos criam um analisador de sentimentos simples para textos. Testam com frases positivas e negativas, ajustam parâmetros e partilham resultados na turma.

⏱ 60 min·Pares

Gerar missão

Ligações ao Mundo Real

Empresas como a Netflix e o Spotify utilizam algoritmos de recomendação para sugerir conteúdos aos seus utilizadores, moldando o consumo cultural e de entretenimento.

Assistentes virtuais como a Siri ou a Google Assistant empregam processamento de linguagem natural para compreender e responder a comandos de voz, facilitando a interação homem-máquina em dispositivos móveis e domésticos.

Sistemas de reconhecimento facial em aeroportos ou em aplicações de redes sociais utilizam IA, levantando questões sobre a precisão e os enviesamentos raciais ou de género nos seus modelos.

Atenção a estes erros comuns

Erro comum

A IA pensa e raciocina como os humanos.

O que ensinar em alternativa

A IA baseia-se em padrões estatísticos de dados, não em compreensão conceptual. Atividades de simulação, como treinar modelos simples, mostram aos alunos que os erros ocorrem sem contexto humano, promovendo discussões em grupo para clarificar diferenças.

Erro comum

A aprendizagem automática funciona sem dados de qualidade.

O que ensinar em alternativa

Modelos replicam enviesamentos dos dados de treino. Experiências práticas com conjuntos enviesados revelam isso diretamente, ajudando os alunos a debater soluções éticas em equipa e a valorizar a curadoria de dados.

Erro comum

Máquinas são criativas por gerarem conteúdo novo.

O que ensinar em alternativa

Criatividade surge de recombinações de padrões existentes. Debates e análises de outputs de IA em grupo destacam limitações, fomentando pensamento crítico através de comparação com criação humana.

Ideias de Avaliação

Questão para Discussão

Divida a turma em grupos e apresente o cenário: 'Uma plataforma de notícias usa um algoritmo para decidir quais artigos mostrar a cada utilizador.' Peça aos grupos para discutirem e anotarem: 1. Como este algoritmo pode moldar a opinião de um utilizador sobre um tema? 2. Que tipos de enviesamentos podem existir neste sistema e porquê?

Bilhete de Saída

Entregue a cada aluno um cartão com uma das seguintes frases: 'Um sistema de IA pode ser criativo' ou 'Um sistema de IA apenas replica padrões'. Peça-lhes para escreverem duas frases justificando a sua escolha, referindo conceitos como aprendizagem automática ou PLN.

Verificação Rápida

Apresente aos alunos uma lista de aplicações (ex: filtro de spam, tradutor automático, sistema de recomendação de filmes, diagnóstico médico assistido por IA). Peça-lhes para classificarem cada aplicação como primariamente baseada em aprendizagem supervisionada, não supervisionada ou processamento de linguagem natural, e justificar uma das classificações.

Perguntas frequentes

Como explicar machine learning no 12.º ano?

Comece com analogias simples, como um aluno que aprende a prever o tempo analisando dados passados. Use ferramentas interativas para treinar modelos reais, mostrando iterações de dados, treino e teste. Ligue a aplicações quotidianas como assistentes virtuais, reforçando ligações ao currículo de Pensamento Computacional com exemplos práticos e discussões em grupo.

Quais enviesamentos comuns na IA devo abordar?

Foco em enviesamentos de seleção, onde dados sub-representam grupos minoritários, e de confirmação, que reforçam estereótipos. Use casos reais como recrutamento automatizado discriminatório. Atividades de análise de dados enviesados ajudam os alunos a identificar e propor correções, promovendo literacia ética digital alinhada aos standards DGE.

Como o processamento de linguagem natural afeta a sociedade?

Gera chatbots e tradutores, mas pode espalhar desinformação se enviesado. Discuta impactos em redes sociais e eleições. Projetos colaborativos de análise de texto fomentam compreensão crítica, preparando alunos para impactos tecnológicos no Currículo Nacional.

Como usar aprendizagem ativa nos fundamentos de IA?

Implemente simulações hands-on com plataformas gratuitas para treinar modelos, debates em grupos sobre ética e análise de recomendações pessoais. Estas abordagens tornam conceitos abstractos concretos, incentivam colaboração e revelam limitações da IA através de experimentação direta, alinhando-se ao pensamento computacional avançado.