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.

• 9° Ano
• Inovação Digital e Pensamento Computacional
• 4 atividades
• 35 min–50 min

Objetivos de Aprendizagem

1. Comparar as abordagens de aprendizagem supervisionada e não supervisionada, identificando os tipos de problemas que cada uma resolve.
2. Analisar criticamente as implicações éticas de sistemas de reconhecimento facial baseados em aprendizagem de máquina, para além da sua precisão técnica.
3. Avaliar o impacto da aprendizagem de máquina no futuro do trabalho, identificando setores e profissões mais suscetíveis à automação.
4. Explicar o conceito de 'feature' e 'label' no contexto da aprendizagem supervisionada, utilizando exemplos concretos.
5. Classificar diferentes aplicações de aprendizagem de máquina (ex: recomendação, deteção de anomalias) com base na abordagem utilizada (supervisionada ou não supervisionada).

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.

Preparação e detalhes

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.

Setup: Espaço flexível para a criação de estações de grupo

Materials: Cartões de função com objetivos e recursos, Fichas ou moedas de jogo, Registo de controlo de rondas

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

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.

Preparação e detalhes

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.

Setup: Espaço flexível para a criação de estações de grupo

Materials: Cartões de função com objetivos e recursos, Fichas ou moedas de jogo, Registo de controlo de rondas

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

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.

Preparação e detalhes

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.

Setup: Espaço flexível para a criação de estações de grupo

Materials: Cartões de função com objetivos e recursos, Fichas ou moedas de jogo, Registo de controlo de rondas

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

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.

Preparação e detalhes

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.

Setup: Espaço flexível para a criação de estações de grupo

Materials: Cartões de função com objetivos e recursos, Fichas ou moedas de jogo, Registo de controlo de rondas

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

Ensinar Este Tópico

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.

O Que Esperar

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

Erro comum

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

O que ensinar em alternativa

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'.

Erro comum

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

O que ensinar em alternativa

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.

Erro comum

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

O que ensinar em alternativa

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.

Ideias de Avaliação

Bilhete de Saída

Após a Classificação Guiada, 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. Recolha os papéis para identificar lacunas conceptuais.

Questão para Discussão

Durante o Debate Ético, 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 e a relacionar com casos reais.

Verificação Rápida

Após o Mapa de Impacto, 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. Use as respostas para ajustar a próxima aula.

Extensões e Apoio

• Desafio: Peça aos alunos que criem um mini-modelo supervisionado para prever notas de alunos com base em dados fictícios, testando diferentes algoritmos simples (ex: k-NN, árvore de decisão) disponíveis em ferramentas como Scratch ou Orange.
• Scaffolding: Para alunos com dificuldades, forneça um fluxograma visual que mapeie as etapas de um algoritmo supervisionado, desde os dados até à previsão, para que possam seguir passo a passo.
• Deeper exploration: Proponha uma investigação sobre como os vieses nos dados de treino afetam modelos de recomendação em plataformas como o Spotify, analisando relatórios públicos de empresas ou estudos académicos.

Vocabulário-Chave

Aprendizagem Supervisionada	Um tipo de aprendizagem de máquina onde o algoritmo aprende a partir de um conjunto de dados que inclui 'labels' ou respostas corretas. É usada para prever resultados com base em dados históricos.
Aprendizagem Não Supervisionada	Um tipo de aprendizagem de máquina onde o algoritmo procura padrões e estruturas em dados que não possuem 'labels' ou respostas pré-definidas. É usada para descobrir relações ocultas nos dados.
Feature (Característica)	Uma variável ou atributo individual num conjunto de dados que é usado como entrada para um modelo de aprendizagem de máquina. Por exemplo, a cor ou o tamanho de um objeto.
Label (Rótulo)	A resposta ou resultado correto associado a um conjunto de 'features' nos dados de treino, usado na aprendizagem supervisionada para que o modelo aprenda a fazer previsões.
Viés (Bias)	Uma tendência sistemática num algoritmo de aprendizagem de máquina que pode levar a resultados injustos ou discriminatórios, muitas vezes refletindo preconceitos presentes nos dados de treino.