TIC · 9.º Ano

Ideias de aprendizagem ativa

Aprendizagem de Máquina e Aplicações

A aprendizagem de máquina é um tema abstrato por natureza, mas quando os alunos manipulam algoritmos com dados reais, a teoria ganha vida. Através de simulações práticas como as propostas, os estudantes compreendem que os modelos não são caixas negras mágicas, mas sim ferramentas que dependem de dados e decisões humanas cuidadosas.

• Aprendizagens Essenciais
• DGE: 3o Ciclo - Sistemas de Informação

• 35–50 min
• Pares → Turma inteira
• 4 atividades

Atividade 01

• Jogo de Simulação
• 45 min · Pequenos grupos

Classificação Guiada: Simulação Supervisionada

Forneça conjuntos de imagens rotuladas (ex.: fotos de animais). Os alunos treinam um algoritmo simples no Scratch ou Teachable Machine, testam previsões e ajustam com novos dados. Registem a taxa de acerto em tabela coletiva.

O que distingue fundamentalmente a aprendizagem supervisionada da não supervisionada, e que tipo de problemas cada abordagem está melhor equipada para resolver?

Sugestão de Facilitação

Durante a Classificação Guiada, forneça conjuntos de dados pequenos e rotulados, mas introduza intencionalmente erros em alguns para que os alunos identifiquem inconsistências e discutam a importância da qualidade dos dados.

O que observar

Peça aos alunos para escreverem num pequeno papel: 1) Um exemplo de um problema que seria melhor resolvido com aprendizagem supervisionada e porquê. 2) Um exemplo de um problema que seria melhor resolvido com aprendizagem não supervisionada e porquê.

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

Atividade 02

• Jogo de Simulação
• 35 min · Pares

Agrupamento Livre: Exploração Não Supervisionada

Dê dados não rotulados como preferências musicais. Os alunos usam ferramentas online para agrupar itens semelhantes e identificam padrões. Discutem que problemas este método resolve melhor.

Como é que os sistemas de reconhecimento facial baseados em aprendizagem de máquina levantam questões que vão muito além da precisão técnica?

Sugestão de Facilitação

Na Agrupamento Livre, incentive os alunos a documentar os critérios usados no agrupamento, pois esta reflexão ajuda-os a entender que não existe uma única 'resposta correta' em aprendizagem não supervisionada.

O que observar

Coloque a seguinte questão no quadro: 'Um sistema de reconhecimento facial é mais preciso para identificar pessoas de certas etnias do que de outras. Que aspetos éticos e sociais devemos considerar para além da métrica de precisão técnica?' Facilite uma discussão em grupo, incentivando os alunos a partilhar as suas perspetivas.

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

Atividade 03

• Jogo de Simulação
• 50 min · Pequenos grupos

Debate Ético: Reconhecimento Facial

Divida a turma em grupos pró e contra o uso em escolas. Pesquisem casos reais, preparam argumentos e debatem com votação final. Sintetizem lições em cartaz.

Em que medida a aprendizagem de máquina está a redefinir o futuro do trabalho, e que setores são mais vulneráveis a essa transformação?

Sugestão de Facilitação

No Debate Ético sobre reconhecimento facial, distribua papéis pré-definidos (ex: engenheiro, utilizador, regulador) para garantir que todos participam ativamente e consideram múltiplas perspetivas.

O que observar

Apresente aos alunos uma lista de 5 aplicações (ex: previsão do tempo, agrupamento de clientes, deteção de spam, diagnóstico médico, recomendação de música). Peça-lhes para classificarem cada uma como 'Supervisionada' ou 'Não Supervisionada' e justificarem brevemente a sua escolha para duas delas.

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

Atividade 04

• Jogo de Simulação
• 40 min · Turma inteira

Mapa de Impacto: Futuro do Trabalho

Os alunos listam profissões vulneráveis à machine learning, pesquisam exemplos e criam mapa mental. Partilham em roda e preveem mudanças em Portugal.

O que distingue fundamentalmente a aprendizagem supervisionada da não supervisionada, e que tipo de problemas cada abordagem está melhor equipada para resolver?

Sugestão de Facilitação

No Mapa de Impacto sobre o futuro do trabalho, forneça estatísticas recentes sobre automação em Portugal para que os alunos baseiem as suas projeções em dados concretos, evitando generalizações.

O que observar

Peça aos alunos para escreverem num pequeno papel: 1) Um exemplo de um problema que seria melhor resolvido com aprendizagem supervisionada e porquê. 2) Um exemplo de um problema que seria melhor resolvido com aprendizagem não supervisionada e porquê.

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

Algumas notas sobre lecionar esta unidade

Comece com exemplos do quotidiano dos alunos, como recomendações de música ou deteção de spam, para ancorar conceitos abstratos. Evite sobrecarregar com terminologia técnica no início. Pesquisas indicam que quando os alunos constroem modelos simples em papel (ex: árvores de decisão com post-its), a compreensão do processo de aprendizagem máquina melhora significativamente. Priorize sempre a discussão sobre o 'porquê' por detrás das decisões técnicas, pois é aí que residem os vieses e as implicações éticas.

Ao final das atividades, os alunos devem conseguir distinguir com segurança os tipos de aprendizagem supervisionada e não supervisionada, identificar vieses em dados e refletir criticamente sobre implicações éticas. O sucesso mede-se pela capacidade de aplicar conceitos a novos exemplos e de justificar escolhas com base em evidências.

---

Atenção a estes erros comuns

• Durante a Classificação Guiada, os alunos podem pensar que algoritmos de aprendizagem máquina funcionam perfeitamente com quaisquer dados.

  Antes da atividade, distribua um conjunto de dados com erros ou vieses óbvios (ex: nomes de pessoas com padrões culturais específicos) e peça aos alunos que identifiquem os problemas antes de treinar o modelo. Durante a discussão em grupo, relacione os erros do modelo com a qualidade dos dados, destacando que 'lixo entra, lixo sai'.

• Durante a Agrupamento Livre, os alunos podem assumir que a aprendizagem não supervisionada é menos útil do que a supervisionada.

  Peça aos grupos que apresentem os agrupamentos encontrados e discutam que tipo de problemas reais (ex: segmentação de clientes) justificam a abordagem não supervisionada. Use exemplos como deteção de anomalias em transações bancárias para mostrar que nem sempre temos dados rotulados disponíveis.

• Durante o Debate Ético sobre reconhecimento facial, os alunos podem acreditar que a precisão técnica é o único critério relevante.

  Antes do debate, mostre vídeos ou notícias sobre casos de viés em sistemas de reconhecimento facial (ex: algoritmos que falham mais em pessoas de pele escura). Durante o debate, peça aos alunos que avaliem não só a precisão, mas também questões como privacidade, discriminação e regulamentação legal.

---

Metodologias usadas neste resumo

• Jogo de Simulação