Fundamentos de Inteligência Artificial

Os Fundamentos de Inteligência Artificial exigem experiências práticas para que os alunos compreendam abstrações como padrões estatísticos e processamento de linguagem. Através de simulações, análises e projetos concretos, os alunos percebem como os conceitos teóricos se materializam em algoritmos, tornando o tema mais tangível e memorável. Esta abordagem ativa alinha-se com a forma como a aprendizagem ocorre melhor em STEM: através da experimentação, reflexão e discussão em grupo.

• 12° Ano
• Inovação Digital e Pensamento Computacional Avançado
• 4 atividades
• 30 min–60 min

Objetivos de Aprendizagem

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

Simulação de Julgamento

⏱ 45 min·Pequenos grupos

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.

Preparação e detalhes

Pode uma máquina ser verdadeiramente criativa ou apenas replica padrões?

Sugestão de Facilitação: Durante a Simulação: Treino de Classificador Simples, peça aos alunos para registarem os erros do modelo e discutirem em pares por que razão esses erros acontecem, ligando-os à ausência de contexto humano.

Setup: Secretárias reorganizadas de acordo com a disposição de um tribunal

Materials: Cartões de personagem/papéis, Dossiês de provas e evidências, Formulário de veredito para os juízes

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Consciência Social

Análise de Estudo de Caso

⏱ 30 min·Pares

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.

Preparação e detalhes

Como os algoritmos de recomendação moldam as nossas opiniões e escolhas?

Sugestão de Facilitação: Na Análise: Algoritmos de Recomendação, desafie os alunos a compararem os outputs de dois sistemas diferentes com os mesmos dados de entrada, destacando como os enviesamentos se manifestam.

Setup: Grupos organizados em mesas com os materiais do caso

Materials: Dossiê do estudo de caso (3 a 5 páginas), Ficha de análise estruturada, Modelo para a apresentação final

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Debate Formal

⏱ 50 min·Pequenos grupos

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.

Preparação e detalhes

Quais são os enviesamentos mais comuns nos sistemas de IA atuais?

Sugestão de Facilitação: No Debate Estruturado: Enviesamentos na IA, atribua papéis específicos (ex: engenheiro de dados, utilizador afetado) para garantir que todos participam ativamente na discussão.

Setup: Duas equipas frente a frente, com lugares para a audiência

Materials: Cartão com a moção do debate, Guião de investigação para cada lado, Rubrica de avaliação para a audiência, Cronómetro

• Analisar
• Avaliar
• Criar
• Autogestão
• Tomada de Decisão

Aprendizagem Baseada em Projetos

⏱ 60 min·Pares

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.

Preparação e detalhes

Pode uma máquina ser verdadeiramente criativa ou apenas replica padrões?

Sugestão de Facilitação: No Projeto: Processamento de Linguagem Básico, forneça exemplos de texto gerado por IA e peça aos alunos para identificarem padrões que sugerem replicação em vez de criação original.

Setup: Espaço de trabalho flexível com acesso a materiais e tecnologia

Materials: Guião do projeto com a questão orientadora, Modelo de planificação e cronograma, Grelha de avaliação com metas intercalares, Materiais de apresentação

• Aplicar
• Analisar
• Avaliar
• Criar
• Autogestão
• Competências Relacionais
• Tomada de Decisão

Ensinar Este Tópico

Comece por atividades práticas antes de introduzir conceitos teóricos, pois a abstração da IA é mais fácil de compreender quando ancorada em experiências concretas. Evite longas explicações teóricas no início. Os alunos aprendem melhor quando veem os algoritmos a falhar e a ter sucesso com dados reais. Pesquisas mostram que a aprendizagem colaborativa melhora a retenção de conceitos complexos como enviesamentos e limitações da IA. Use analogias simples, como comparar a IA a um aluno que memoriza respostas sem entender o contexto, para tornar os conceitos acessíveis.

O Que Esperar

No final destas atividades, espera-se que os alunos consigam explicar, com exemplos concretos, como os algoritmos de aprendizagem automática funcionam sem 'pensar' como humanos. Devem também identificar potenciais enviesamentos em dados e justificar por que a qualidade dos dados é crítica. A participação em debates estruturados e a conclusão de projetos práticos demonstrarão a sua compreensão dos impactos e limitações da IA.

Atenção a estes erros comuns

Erro comum

Durante a Simulação: Treino de Classificador Simples, alguns alunos podem pensar que a IA 'aprende' como um humano.

O que ensinar em alternativa

Peça aos alunos para analisarem os erros do modelo e discutirem em grupo por que razão esses erros ocorrem sem contexto humano, ligando os resultados ao conceito de padrões estatísticos em vez de compreensão conceptual.

Erro comum

Durante a Análise: Algoritmos de Recomendação, alguns alunos podem assumir que os algoritmos são neutros e apenas mostram o que os utilizadores querem ver.

O que ensinar em alternativa

Peça aos alunos para compararem os outputs de dois sistemas com os mesmos dados e discutirem como os enviesamentos nos dados de treino se refletem nos resultados, usando os datasets fornecidos para ilustrar o ponto.

Erro comum

Durante o Debate Estruturado: Enviesamentos na IA, alguns alunos podem acreditar que a criatividade das máquinas é equivalente à humana.

O que ensinar em alternativa

Use os outputs do Projeto: Processamento de Linguagem Básico para mostrar como a IA combina padrões existentes em vez de criar algo novo, desafiando os alunos a identificarem limitações nos exemplos apresentados.

Ideias de Avaliação

Questão para Discussão

Durante o Debate Estruturado: Enviesamentos na IA, peça aos grupos para apresentarem as suas conclusões sobre como os algoritmos podem moldar opiniões e identificar enviesamentos, avaliando a capacidade de aplicar conceitos a cenários reais.

Bilhete de Saída

Após o Projeto: Processamento de Linguagem Básico, entregue a cada aluno um cartão com uma das frases: 'Um sistema de IA pode ser criativo' ou 'Um sistema de IA apenas replica padrões'. Peça-lhes para escreverem duas frases justificando a escolha, referindo conceitos como aprendizagem automática ou PLN, e recolha para avaliar a compreensão.

Verificação Rápida

Após a Análise: Algoritmos de Recomendação, apresente aos alunos uma lista de aplicações (ex: filtro de spam, tradutor automático, sistema de recomendação de filmes) e peça-lhes para classificarem cada uma como aprendizagem supervisionada, não supervisionada ou PLN, justificando uma das escolhas para avaliar a aplicação de conceitos.

Extensões e Apoio

• Challenge: Peça aos alunos que criem um pequeno dataset com enviesamento intencional e treinem um classificador, depois discutam como detetar e mitigar esses enviesamentos em grupo.
• Scaffolding: Para alunos que struggle, forneça datasets pré-selecionados e mais simples, ou use ferramentas visuais como gráficos de decisão para explicar como os algoritmos funcionam.
• Deeper: Convide um palestrante ou partilhe casos de estudo reais de falhas de IA (ex: sistemas de recrutamento enviesados) para aprofundar a discussão sobre ética e responsabilidade.

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.