Conheça os efeitos dessa tecnologia no ensino e na aprendizagem
Saiba como a IA impacta no aprendizado e na gestão e entenda os riscos para privacidade e reprodução de desigualdades.
Além das oportunidades elencadas até aqui, no entanto, há desafios a serem enfrentados. A publicação da Unesco "Artificial Intelligence in Education: Challenges and Opportunities for Sustainable Development" (Inteligência Artificial na Educação: Desafios e Oportunidades para o Desenvolvimento Sustentável, tradução livre), lista seis desafios relacionados à incorporação da IA na educação como forma de melhorar a equidade e qualidade do ensino e possíveis maneiras de lidar com eles. Confira:
Primeiro desafio: políticas públicas de IA abrangentes para o desenvolvimento sustentável
O desenvolvimento de políticas públicas sobre IA em educação ainda está em sua infância, mas é um campo que provavelmente crescerá exponencialmente nos próximos dez anos. Alguns países estão desenvolvendo laboratórios e incubadoras por meio de parcerias com o setor privado para implementar ou ampliar ecossistemas de IA.
Segundo desafio: garantir a inclusão e equidade em IA na educação
Estudos recentes, como o do professor Benjamin Nye, da University of Southern California, mapearam os obstáculos para a introdução IA na educação em países em desenvolvimento, como baixo acesso a energia elétrica, hardware e internet; habilidade básica dos alunos em TICs; falta de conteúdo culturalmente apropriado ou em outro idioma. Para remover esses obstáculos, múltiplas políticas devem ser colocadas em prática.
Terceiro desafio: preparar os professores para atuar com IA na educação e preparar sistemas que atendam às demandas educacionais
Para que sistemas de análise de aprendizagem sejam eficazes, é necessário ter utilidade e relevância para estudantes e educadores. O processamento de dados em tempo real deve se traduzir em feedback em tempo real, intervenção mais rápida e instrução individualizada. Professores e diretores precisam de autonomia suficiente para gerenciar suas respectivas salas de aula e escolas, pois são eles que estão mais familiarizados com as necessidades de seus alunos. No entanto, para serem capazes de usar tecnologias de IA de forma eficaz, novas competências precisam ser assimiladas pelos professores, tais como crítica, analítica e habilidades para dados, ressaltam Rose Luckin e outros pesquisadores.
Quarto desafio: desenvolvimento de sistemas de dados inclusivos e de qualidade
Um sistema com dados abrangentes e atualizados abre possibilidades para algoritmos preditivos e de aprendizado de máquina. No entanto, muitos países ainda lutam para coletar dados educacionais básicos. Os dados educacionais devem ser abertos e sistemas de informações gerenciais devem ser capazes de gerar análises granulares o suficiente para ajudar professores e gestores a entenderem os principais desafios. Também devem conseguir agregar dados para revelar tendências que podem subsidiar o desenvolvimento de políticas. Embora as tecnologias para capturar dados estão realmente se tornando cada vez mais poderosas, é necessário reconhecer que seus custos podem ser proibitivamente altos, particularmente para países de baixa e média renda.
Quinto desafio: fazer pesquisas significativas sobre IA em educação
A pesquisa tem um papel fundamental para a investigação mais aprofundada sobre o papel que as soluções de tecnologia desempenham na melhoria da qualidade da educação. As pesquisas educacionais, no entanto, têm condições limitantes para realizar generalizações, o que afeta sua contribuição na criação de teorias universalmente válidas. Assim, é fundamental que sejam desenvolvidas pesquisas locais e descentralizadas, para compreender o que está acontecendo nas salas de aula, em especial no contexto dos países em desenvolvimento.
Sexto desafio: ética e transparência na coleta, no uso e na disseminação de dados
Diversos estudos já evidenciaram os vieses dos algoritmos e como eles podem funcionar de maneira discriminatória e não transparente, entre eles o artigo da ProPublica, de 2016; o artigo da Mic, 2016; e o livro “Algoritmos de Destruição em Massa” de Cathy O’Neil. Na educação, isso pode ter impactos negativos. Instituições educacionais que usam, por exemplo, algoritmos de aprendizado de máquina para aceitar ou rejeitar alunos podem ter dois potenciais problemas: falta de informações sobre a "caixa preta" e discriminação injusta. Outra questão é a concentração de dados pessoais. As plataformas educacionais atuais são de propriedade de poucas empresas, o que gera risco de privacidade e monopólio de dados. O ecossistema fAIr LACAbre em uma nova guia, iniciativa do Grupo Banco Interamericano de Desenvolvimento – Grupo BID e parceiros composta por especialistas e profissionais da academia, governo, sociedade e setor privado, atua na América Latina e Caribe para promover o uso ético e responsável da IA a fim de melhorar a prestação de serviços sociais e criar oportunidades de desenvolvimento. Para tal, estão sendo desenvolvidos projetos-piloto para o bem social e também ferramentas para mitigar os possíveis riscos associados aos sistemas de IA.
Glossário de termos da Ciência de Dados
Algoritmo
É uma sequência de instruções para realizar um cálculo ou resolver uma classe de problemas. Ou seja, ele é um conjunto de passos elementares que são aplicados sistematicamente até que a solução seja atingida.
Ambientes de aprendizagem adaptativos
Ambiente de aprendizagem digital que adapta abordagens de ensino e aprendizagem, assim como materiais, às capacidades e necessidades dos alunos.
Inteligência Artificial
O termo foi cunhado em 1956 em uma conferência de tecnologia nos EUA. É uma área ampla dentro da Ciência da Computação que está relacionada à capacidade de computadores compreenderem e aprenderem, imitando a inteligência humana. De acordo com a definição de Stuart J. Russell e Peter Norvig, IA refere-se a "agentes inteligentes que recebem percepções do ambiente e realizam ações que afetam esse ambiente". Segundo o jornal NYTimes, existem diversos tipos de IA: a Inteligência Artificial Explicável (Explainable AI ou X.A.I.), que permite aos operadores humanos a compreensão dos dados utilizados que resultaram em uma conclusão; Inteligência Artificial Fraca (ou Weak AI), que é capaz de executar apenas um determinado número de tarefas; e a Inteligência Artificial Forte (ou Strong AI), que utiliza um sistema hipotético para que a Inteligência Artificial possa realizar qualquer tarefa e aprender sobre qualquer habilidade.
Learning analytics
Trata-se, inicialmente, de análise exploratória, para o entendimento dos dados disponíveis e percepção de possíveis tendências e, posteriormente, de análise preditiva por meio de métodos avançados para extrair valor dos dados. O objetivo é buscar entender o que acontece com o comportamento dos alunos, permitindo, por exemplo, prever o conteúdo ou o momento temporal de um curso onde os alunos encontram maiores dificuldades ou tendências para o abandono.
Machine Learning
Sistemas que aprendem com conjuntos de dados para a execução e o aprimoramento de uma tarefa específica. Este aprendizado pode ser supervisionado, não supervisionado e por reforço. É um subconjunto da IA. O termo foi cunhado por Arthur Samuel em 1959, que definiu o conceito como "a capacidade de aprender sem ser explicitamente programado”.
Mineração de dados educacionais
Extração de dados da base em estudo, seja de um SQL escolar ou alimentado pela nuvem em volume muito grande (Big Data).
Teoria da decisão
Estudo das escolhas de um agente que necessita adotar estratégias na tomada de uma decisão ideal ou ótima envolvendo riscos diferentes ou expectativas de ganho ou perda dependendo do resultado. Esta teoria possui abordagem interdisciplinar nas áreas da economia, estatística, cientista de dados, psicologia, ciências sociais, ciência da computação, entre outras.
Créditos: publicado originalmente em:
Comments