Compreensão da IA e educação: práticas emergentes e avaliação de benefícios e riscos

Tempo de leitura: 18 minutes

Loading

A introdução da IA em contextos educacionais pode ser rastreada até a década de 1970. Naquela época, os pesquisadores estavam interessados em ver como os computadores poderiam substituir o tutor, que é considerado a abordagem mais eficaz para o ensino, mas é indisponível para a maioria das pessoas (Bloom, 1984). Os primeiros esforços utilizaram técnicas de IA baseadas em regras para adaptar ou personalizar automaticamente o aprendizado para cada aluno individual (Carbonell, 1970; Self, 1974). Desde esses começos, a aplicação da IA na educação desenvolveu-se em múltiplas direções, começando com a IA voltada para o aluno (ferramentas projetadas para apoiar a aprendizagem e avaliação) para incluir também a IA voltada para o professor (projetada para apoiar o ensino) e a IA voltada para o sistema (projetada para apoiar a gestão de instituições educacionais) (Baker et al., 2019).

Na verdade, a interação entre a IA e a educação vai além da aplicação da IA dentro das salas de aula (ou seja, aprendendo com a IA) para ensinar suas técnicas (ou seja, aprendendo sobre a IA) e preparar cidadãos para viver na era da IA (ou seja, aprendendo para colaboração entre humanos e IA). A introdução da IA na educação também coloca em destaque questões de pedagogia, estruturas organizacionais, acesso, ética, equidade e sustentabilidade – para automatizar algo, é necessário primeiro entendê-lo completamente.

Além disso, se o potencial da IA para apoiar a educação para o desenvolvimento sustentável deve ser totalmente realizado, todos os possíveis benefícios das ferramentas precisam ser identificados e aproveitados, e os riscos reconhecidos e mitigados. Como consequência, as formas como a educação é organizada também precisam ser continuamente revisadas, o que pode sugerir uma reformulação fundamental dos fundamentos centrais da educação, em direção ao objetivo central de abordar o ODS 4. Também precisamos questionar o que a introdução da IA na educação pode alcançar: quais são os benefícios reais que a IA pode trazer? Como garantir que os benefícios da IA sejam distribuídos de forma justa? Quais são os riscos associados à IA na educação e como podemos mitigá-los?

Como podemos garantir que a IA atenda a necessidades reais e não seja apenas a mais recente moda em EdTech? O que devemos permitir que a IA faça?

Para aproveitar plenamente as oportunidades e mitigar os riscos potenciais, são necessárias respostas sistêmicas às seguintes questões-chave de política:

  1. Como a IA pode ser aproveitada para melhorar a educação?
  2. Como podemos garantir o uso ético, inclusivo e equitativo da IA na educação?
  3. Como a educação pode preparar os seres humanos para viver e trabalhar com a IA?

Para ajudar os sistemas educacionais a responder a esses desafios complexos, a UNESCO, em cooperação com o governo chinês, organizou a Conferência Internacional sobre Inteligência Artificial e Educação em Pequim (2019) sob o tema “Planejando a Educação na era da IA: Liderando o Salto”. Os participantes incluíram mais de 50 ministros e vice-ministros do governo, e cerca de 500 representantes internacionais de mais de 100 Estados membros, agências das Nações Unidas, instituições acadêmicas, sociedade civil e organizações do setor privado. Eles examinaram os impactos sistêmicos da IA no contexto do ‘ODS 4 – Educação 2030 e o futuro da educação além de 2030’. O resultado chave da conferência foi o ‘Consenso de Pequim sobre IA e Educação’ (UNESCO, 2019a), que fornece uma compreensão comum das questões-chave e recomendações de política relacionadas às três questões mencionadas acima. As principais recomendações feitas no Consenso de Pequim são referenciadas ao longo desta publicação.

As principais tendências e questões que afetam a IA na educação, bem como a dicotomia de benefício-risco e implicações para as respostas de política.

Como a IA pode ser aproveitada para melhorar a educação?

Nos últimos dez anos, o uso das ferramentas de IA para apoiar ou aprimorar a aprendizagem cresceu exponencialmente (Holmes et al., 2019). Isso só aumentou com o fechamento das escolas durante a pandemia de COVID-19. No entanto, a evidência ainda é escassa sobre como a IA pode melhorar os resultados de aprendizagem e se pode ajudar os cientistas e profissionais de aprendizagem a entender melhor como a aprendizagem efetiva ocorre (Zawacki-Richter et al., 2019).

Muitas das reivindicações do potencial revolucionário da IA na educação são baseadas em conjecturas, especulações e otimismo (Nemorin, 2021). Além disso, ainda não exploramos o potencial da IA no rastreamento dos resultados de aprendizagem em diferentes contextos, bem como na avaliação de competências, especialmente aquelas adquiridas em contextos não formais e informais.

As aplicações de IA projetadas para a educação foram divididas em três categorias principais em outro lugar: voltadas para o sistema, para o aluno e para o professor (Baker et al., 2019). No entanto, para os formuladores de políticas, propomos um conjunto de quatro categorias emergentes e potenciais de aplicativos com base em necessidades: (i) gestão e entrega de educação; (ii) aprendizagem e avaliação; (iii) capacitação de professores e aprimoramento do ensino; e (iv) aprendizado ao longo da vida. Para cada uma dessas categorias, também fornecemos alguns casos ilustrativos. É importante reconhecer que cada uma das categorias propostas está intrinsecamente interligada; as aplicações de IA na educação podem ter o potencial de atender às necessidades em mais de uma área. Por exemplo, um sistema de tutor personalizado pode ajudar os alunos a aprender e também apoiar o desenvolvimento profissional contínuo dos professores.

Algumas aplicações são projetadas com o objetivo de apoiar tanto os professores quanto os alunos. Também é proposto que o planejamento e as políticas para a adoção de tecnologias de IA em contextos educacionais devem ser baseados em necessidades locais imediatas e de longo prazo, em vez do mercado, e devem ser fundamentados em análises de benefícios/riscos antes que quaisquer tecnologias sejam adotadas em larga escala. Em particular, enquanto os defensores sugeriram que a IA fornece uma solução pronta para os problemas causados pelo fechamento das escolas devido à COVID-19 e a mudança para a aprendizagem online, atualmente há pouca evidência de que tal abordagem seja apropriada ou eficaz.

O uso de IA para gestão e entrega de educação

As tecnologias de IA estão sendo cada vez mais utilizadas para facilitar a gestão e entrega de educação. Em vez de apoiar diretamente o ensino ou a aprendizagem, essas aplicações voltadas para o sistema são projetadas para automatizar aspectos da administração escolar, construindo em cima dos Sistemas de Informação de Gestão Educacional (Villanueva, 2003) e incluindo admissões, planejamento de horários, monitoramento de presença e tarefas de casa, e inspeções escolares. Às vezes, uma abordagem de mineração de dados conhecida como “análise de aprendizagem” (du Boulay et al., 2018) é usada para analisar os grandes dados gerados nos sistemas de gerenciamento de aprendizagem para fornecer informações para professores e administradores, e às vezes orientação para os alunos. Por exemplo, algumas análises de aprendizagem preveem quais alunos correm risco de “fracasso”. As saídas geralmente assumem a forma de “painéis” visuais (Verbert et al., 2013) e são usadas para informar a tomada de decisões baseada em dados (James et al., 2008; Marsh et al., 2006). Grandes dados extraídos de sistemas educacionais também podem contribuir para a elaboração de políticas para a entrega:

“Instituições educacionais públicas utilizam cada vez mais grandes dados para criar visualizações de dados digitais e interativas que podem fornecer informações atualizadas sobre o sistema educacional para formuladores de políticas.” (Giest, 2017, p. 377)

Por exemplo, as saídas de dados dos sistemas de gerenciamento de aprendizagem estabelecidos para refugiados podem ajudar a determinar a entrega ideal de oportunidades e suporte educacional. A IA também demonstrou seu potencial para curar o conteúdo de aprendizagem em várias plataformas com base em análises das necessidades personalizadas e do nível de estudo dos alunos. Por exemplo, um projeto visa curar os muitos milhares de recursos educacionais abertos, tornando-os mais facilmente acessíveis a todos os alunos (Kreitmayer et al., 2018).

No entanto, para que qualquer análise baseada em dados seja útil, com conclusões confiáveis e equitativas, os dados originais e seus proxies devem ser precisos e livres de viés e suposições inadequadas, enquanto as abordagens computacionais aplicadas devem ser apropriadas e robustas – requisitos simples que muitas vezes não são rigorosamente atendidos (Holmes et al., 2019). De qualquer forma, existem exemplos de empresas de IA coletando enormes quantidades de dados de interação do aluno apenas para usar técnicas de aprendizado de máquina para “procurar padrões”.

O objetivo é melhorar a aprendizagem dos alunos ensinando o software a identificar quando as crianças estão confusas ou entediadas, para ajudá-las a se envolver. No entanto, essa abordagem é controversa, com esse tipo de coleta de dados sendo caracterizado como “avaliações de saúde mental limítrofes… [que] encorajam uma visão das crianças como pacientes em potencial necessitando de tratamento” (Herold, 2018).

Em alguns contextos, ferramentas de IA sob esta categoria também têm sido usadas para monitorar a atenção dos alunos na sala de aula (Connor, 2018), enquanto outras têm sido usadas para rastrear a presença (Harwell, 2019) e prever o desempenho dos professores, com consequências preocupantes (O’Neil, 2017). Esses aspectos das aplicações voltadas para o sistema devem fazer parte da discussão mais ampla sobre IA e educação.

Exemplos promissores

  • Chatbots educacionais: Chatbots são programas de computador online que usam serviços baseados na nuvem e técnicas de IA para realizar conversas simuladas com pessoas. O usuário humano digita ou fala uma pergunta, e o chatbot responde, fornecendo informações ou realizando uma tarefa simples. Existem dois níveis de sofisticação de chatbot. Enquanto a maioria dos chatbots usa regras e palavras-chave para selecionar respostas pré-programadas, chatbots de assistentes virtuais (como ChatGPT, Siri20, Alexa21, DuerOS22 e Xiaoyi) usam processamento de linguagem natural e aprendizado de máquina para gerar respostas únicas. Em contextos educacionais, os chatbots estão sendo usados em uma gama cada vez maior de aplicações. Isso inclui facilitar admissões de estudantes (por exemplo, “Quais cursos de computação vocês têm?”); fornecer informações 24 horas por dia, 7 dias por semana (por exemplo, “Quando é o prazo da minha tarefa?”); e apoiar diretamente a aprendizagem (talvez como parte de um sistema de tutoria baseado em diálogo ou DBTS, envolvendo o aluno em um diálogo falado ou fornecendo feedback automatizado). Os chatbots educacionais incluem Ada e Deakin Genie.
  • OU Analyse, uma aplicação de IA desenvolvida pela Open University do Reino Unido, foi projetada para prever os resultados dos alunos e os riscos de reprovação são identificados pelo OU Analyse, uma aplicação de IA desenvolvida pela Open University do Reino Unido, por meio da análise de grandes conjuntos de dados do sistema de informação de gestão educacional (EMIS) da universidade. As previsões são disponibilizadas para os tutores do curso e equipes de suporte, usando painéis de fácil acesso, para que possam considerar o suporte mais apropriado. O objetivo geral é permitir que os alunos que possam estar enfrentando dificuldades concluam seus cursos (Herodotou et al., 2017).
  • “Swift” é um conjunto de métodos desenvolvidos pela Swift eLearning Services na Índia para ajudar sistemas EMIS a aproveitar os dados gerados em um módulo de e-learning. Os dados coletados a partir das interações dos aprendizes fornecem informações valiosas sobre quando e por que o aprendiz pode estar enfrentando dificuldades ou tendo sucesso. A análise desses dados ajuda a criar caminhos de aprendizado personalizados adaptados às preferências do aprendiz.
  • Nos Estados Unidos, o sistema ALP fornece funcionalidade de AI de back-end para dar suporte a tecnologias educacionais padrão. O sistema analisa os dados do usuário, agregando-os para criar perfis psicométricos das interações, preferências e realizações de cada aluno individualmente.
  • Com base nos Estados Unidos, mas envolvendo organizações de quatro continentes, o projeto UniTime é um sistema abrangente de agendamento educacional com inteligência artificial que desenvolve horários para cursos universitários e exames, gerencia mudanças de horários e salas, e fornece horários individuais para os alunos.

O uso da IA para aprendizagem e avaliação.

O uso de tecnologias de IA predominantemente voltadas para o aluno, recebeu a maior atenção de pesquisadores, desenvolvedores, educadores e formuladores de políticas. Essas aplicações, que foram saudadas como constituindo uma “quarta revolução educacional” (Seldon e Abidoye, 2018), visam fornecer a cada aprendiz, onde quer que estejam no mundo, acesso ao aprendizado ao longo da vida de alta qualidade, personalizado e ubíquo (formal, informal e não formal). Também há potencial para a IA facilitar novas abordagens de avaliação, como a avaliação adaptativa e contínua habilitada para IA (Luckin, 2017). No entanto, é importante reconhecer desde o início que o uso da IA para aprendizagem e avaliação também levanta várias preocupações que ainda não foram devidamente abordadas. Estas incluem preocupações sobre sua abordagem pedagógica, a falta de evidências robustas sobre sua eficácia e impacto potencial nos papéis dos professores e questões éticas mais amplas (Holmes et al., 2018b, 2019).

Sistemas inteligentes de tutoria – ITS (Intelligent tutoring systems)

Por várias razões, começamos a discussão sobre o uso da IA para aprendizagem e avaliação com um conjunto de ferramentas conhecidas como ‘sistemas de tutoria inteligente’ (ITS). De todas as aplicações educacionais de IA, ITS são as mais pesquisadas (há mais de 40 anos). Elas são as aplicações mais comuns de IA na educação e foram experimentados por mais estudantes do que qualquer outro. Além disso, eles atraíram o mais alto nível de investimento e interesse das principais empresas de tecnologia do mundo, e foram adotados em sistemas educacionais em todo o mundo para uso com milhões de estudantes.

Em termos gerais, a forma como os ITS funcionam é fornecendo tutoriais passo a passo, individualizados para cada aluno, através de tópicos em disciplinas estruturadas como matemática ou física. O sistema determina um caminho ideal através dos materiais e atividades de aprendizagem, recorrendo ao conhecimento especializado sobre o assunto e ciências cognitivas e respondendo às concepções erradas e sucessos individuais dos alunos. Esta abordagem também é implementada em sistemas de gestão de aprendizagem, como Moodle e Open edX, e plataformas como Khan Academy.

À medida que o aluno se envolve com as atividades de aprendizagem, o sistema usa rastreamento de conhecimento e aprendizado de máquina para ajustar automaticamente o nível de dificuldade e fornecer dicas ou orientações de acordo com os pontos fortes e fracos individuais de cada aluno, tudo com o objetivo de garantir que o aluno seja capaz de aprender o tópico de forma eficiente. Alguns ITSs também capturam e analisam dados sobre o estado afetivo do aluno, incluindo monitorar o seu olhar para inferir o nível de atenção.

No entanto, embora intuitivamente atraente, é importante reconhecer que as suposições incorporadas nos ITS e sua abordagem típica de transmissão de conhecimento instrucionista ignoram as possibilidades de outras abordagens valorizadas pelas ciências da aprendizagem, como aprendizagem colaborativa, aprendizagem por descoberta guiada e falha produtiva (Dean Jr. e Kuhn, 2007). Em particular, a “aprendizagem personalizada” fornecida pelos ITS normalmente personaliza apenas os caminhos para o conteúdo prescrito, em vez de promover a agência do aluno personalizando os resultados da aprendizagem e permitindo que o aluno alcance suas próprias ambições pessoais. Além disso, embora alguns estudos tenham mostrado que alguns ITSs projetados por pesquisadores se comparam bem com o ensino para toda a classe (por exemplo, du Boulay, 2016), e apesar do fato de terem sido adotados por muitos sistemas educacionais em todo o mundo, há na verdade evidências limitadas e robustas de que os ITS comerciais são tão eficazes quanto afirmam seus desenvolvedores (Holmes et al., 2018a).

O uso extensivo de ITS também levanta outros problemas. Por exemplo, eles tendem a reduzir o contato humano entre estudantes e professores. Além disso, em uma sala de aula típica de ITS a tecnologia, no entanto, vale ressaltar, foi projetada para resolver um problema que foi desencadeado por outro uso da tecnologia de IA. Também é uma abordagem que levanta questões de direitos humanos, especialmente o direito à privacidade. Globalmente, existem mais de 60 ITS comerciais disponíveis hoje, incluindo Alef,34 ALEKS,35 Byjus,36 Mathia,37 Qubena,38 Riiid,39 e Squirrel AI.40 Uma abordagem conhecida como Hi-Tech Hi-Touch, que tem como objetivo aproveitar o melhor dos ITS e dos melhores professores, está sendo testada pela Comissão de Educação em escolas no Vietnã.41

Sistemas de tutoria baseados em diálogo – DBTS (Dialogue-based tutoring systems)

Os sistemas de tutoria baseados em diálogos (DBTS) usam processamento de linguagem natural e outras técnicas de IA para simular um diálogo de tutorial falado entre tutores humanos e alunos enquanto trabalham passo a passo por meio de tarefas online, mais frequentemente em tópicos de ciência da computação, mas recentemente em domínios menos estruturados. Os DBTS adotam uma abordagem socrática para a tutoria, questionando com perguntas geradas por IA em vez de fornecer instruções, para desenvolver uma conversa na qual os alunos são orientados a descobrir por si próprios uma solução adequada para um problema. O objetivo é incentivar os alunos a co-criar explicações para alcançar uma compreensão profunda do tópico, em vez da compreensão superficial que pode resultar alguns ITS instrucionais.

Atualmente, há relativamente poucos DBTS em uso. A maioria existe dentro de projetos de pesquisa. O mais extensivamente testado é o AutoTutor (Graesser et al., 2001). O Watson Tutor é um sistema comercial desenvolvido pela IBM e pela Pearson Education.

Ambientes de Aprendizagem Exploratória – ELE (Exploratory learning environments)

Uma alternativa às abordagens passo a passo das ITS e DBTS é fornecida pelos ambientes de aprendizagem exploratória (ELEs). Os ELEs adotam uma filosofia construtivista: em vez de seguir uma sequência passo a passo como o modelo de “transmissão de conhecimento” favorecido pelas ITS, os alunos são incentivados a construir ativamente seu próprio conhecimento explorando o ambiente de aprendizagem e fazendo conexões com seus esquemas de conhecimento existentes. O papel da IA nos ELEs é minimizar a sobrecarga cognitiva que geralmente está associada à aprendizagem exploratória, fornecendo orientação e feedback automatizados, com base no rastreamento de conhecimento e na aprendizagem de máquina. Esse feedback aborda concepções erradas e propõe abordagens alternativas para apoiar o aluno enquanto explora. De uma maneira geral, os ELEs ainda não emergiram dos laboratórios de pesquisa. Exemplos incluem ‘ECHOES’ (Bernardini et al., 2014); ‘Fractions Lab’ (Rummel et al., 2016); e ‘Betty’s Brain’ (Leelawong e Biswas, 2008).

Avaliação automatizada de escrita – AWE (Automated writing evaluation)

Em vez de envolver os alunos trabalhando em computadores enquanto recebem suporte adaptativo imediato, a avaliação automatizada de escrita (AWE) usa processamento de linguagem natural e outras técnicas de IA para fornecer feedback automático sobre a escrita. Geralmente, existem duas abordagens sobrepostas de AWE: AWE formativa para permitir que um aluno melhore sua escrita antes de submetê-la para avaliação, e AWE somativa para facilitar a pontuação automática da escrita dos alunos. Na verdade, a maioria do AWE se concentra na pontuação em vez de feedback; eles foram projetados principalmente para reduzir os custos de avaliação e, portanto, podem ser considerados como um componente de aplicativos voltados para sistemas. No entanto, desde que foram introduzidos, AWE somativos têm sido controversos (Feathers, 2019). Por exemplo, eles foram criticados por dar crédito aos alunos por características superficiais, como o comprimento da frase, mesmo que o texto não faça sentido – eles podem ser “enganados por absurdos”. Os sistemas também são incapazes de avaliar a criatividade. Mais preocupante, os algoritmos subjacentes ao AWE às vezes são tendenciosos, especialmente contra estudantes minoritários, possivelmente devido ao uso diferente de vocabulário e estrutura de frases. O AWE somativo também não aborda as tarefas escolares e universitárias deep-fake de fácil acesso – ensaios escritos por tecnologias de IA, por meio da utilização de conhecimento de domínio enquanto imitam o estilo de escrita do aluno individual. Estes provavelmente serão muito difíceis de detectar. Por fim, o uso da IA para avaliar tarefas também não reconhece o valor da avaliação. Embora a avaliação possa ser demorada e tediosa, também pode ser a melhor oportunidade para um professor entender as competências de seus alunos. No entanto, alguns AWE voltados para os alunos dão prioridade à oferta de feedback projetado para ser acionável – para ajudar o aluno a melhorar sua escrita e promover processos de ordem superior, como a aprendizagem autorregulada e metacognição. O AWE, tanto formativo quanto somativo, está sendo usado atualmente em muitos contextos educacionais por meio de programas como WriteToLearn, e-Rater, e Turnitin. Uma abordagem relacionada, usando IA para comparar uma nova saída do aluno avaliada por professores, foi usada para avaliar apresentações musicais, por exemplo, com o programa Smartmusic.

O suporte da IA para leitura e aprendizado (AI-supported reading and language learning)

As ferramentas de leitura e aprendizagem de idiomas estão cada vez mais utilizando a IA para aprimorar sua abordagem. Por exemplo, alguns utilizam a personalização de caminhos estilo ITS juntamente com o reconhecimento de fala impulsionado por AI. Tipicamente, o reconhecimento de fala é usado para comparar a produção dos alunos com gravações de amostra de falantes nativos, para fornecer feedback automático para ajudar o aluno a melhorar sua pronúncia. Outros usos da tradução automática envolvem ajudar os alunos a ler materiais de aprendizagem em outros idiomas e permitir que alunos de diferentes culturas interajam mais facilmente entre si. Enquanto isso, outros sistemas detectam e analisam automaticamente habilidades de leitura para dar feedback individual aos alunos. As aplicações de IA para leitura e aprendizagem de idiomas incluem AI Teacher,Amazing English, Babbel, e Duolingo.

Robôs inteligentes

Ou “smart robots” com capacidade de IA também estão sendo explorados na educação (Belpaeme, 2018), especialmente em ambientes para crianças com deficiências ou dificuldades de aprendizagem. Por exemplo, robôs humanoides com reconhecimento de voz foram criados para alunos no espectro do autismo, fornecendo interações mecânicas previsíveis em vez de humanas, que podem ser confusas para esses alunos. O objetivo é desenvolver suas habilidades de comunicação e sociais (Dautenhahn et al., 2009). Outro exemplo são robôs de telepresença para estudantes que não podem frequentar a escola, talvez por causa de uma doença ou crise humanitária ou de refugiados, para acessar a sala de aula. Um terceiro exemplo é o uso de robôs humanoides, como o Nao ou o Pepper, em salas de aula de jardim de infância em Cingapura (Graham, 2018), para introduzir crianças pequenas à programação de computadores e outras disciplinas STEM.

Agentes de ensino

Há muito tempo se sabe que podemos aprender um tópico mais profundamente e com melhor retenção ao ensiná-lo a outros (Cohen et al., 1982). Esse efeito tem sido explorado por várias abordagens de inteligência artificial. Por exemplo, no ELE mencionado anteriormente, o Betty’s Brain, os alunos são encorajados a ensinar a uma estudante virtual chamada Betty sobre um ecossistema de rio. Em outro exemplo de um projeto de pesquisa sueco, o aluno ensina a um agente virtual as regras de um jogo educacional baseado em matemática (Pareto, 2009). Um terceiro exemplo, da Suíça, envolve crianças ensinando caligrafia a um robô humanoide, uma abordagem que foi mostrada estimular a metacognição, empatia e autoestima (Hood et al., 2015).

Realidade virtual (RV) e realidade aumentada (RA)

São duas inovações relacionadas que têm sido aplicadas em contextos educacionais e frequentemente combinadas com técnicas de aprendizado de máquina e outras técnicas de IA para melhorar a experiência do usuário. A RV tem sido usada no ensino de muitas matérias, desde o ensino fundamental até o ensino superior, incluindo astronomia, biologia e geologia. Os óculos de RV fornecem uma experiência imersiva que exclui o mundo físico, permitindo que os usuários se sintam transportados para uma série de ambientes do mundo real ou imaginários (como a superfície de Marte, o interior de um vulcão ou um útero humano onde um feto está se desenvolvendo). Algumas inovações de RV usam técnicas de IA para controlar avatares virtuais realistas, permitir o controle de voz usando processamento de linguagem natural ou gerar ambientes inteiros a partir de algumas imagens iniciais.

Por outro lado, a RA sobrepõe imagens geradas por computador na visão do usuário do mundo real (como o visor de um piloto de caça). A RA é a abordagem mencionada pelo Lumilo para flutuar informações sobre o desempenho do ITS de um aluno acima de sua cabeça. Quando a câmera de um smartphone é apontada para um determinado código QR, um coração humano 3D pode ser revelado e explorado em detalhes. A RA também pode envolver reconhecimento de imagem e rastreamento alimentados por IA. Esta é a tecnologia que torna possível, em alguns telefones celulares e sites como o Instagram ou Snapchat, colocar orelhas de coelho ou bigodes de gato em imagens de pessoas. Exemplos de RV e RA sendo usados na educação incluem Blippar, EonReality, Google Education, NeoBear, e VR Monkey.

Orquestradores de redes de aprendizagem – LNO (Learning network orchestrators)

Os orquestradores de redes de aprendizagem (LNOs) são ferramentas que permitem que redes de alunos e professores se envolvam no aprendizado e organizem atividades de aprendizado. Os LNOs geralmente combinam participantes com base em sua disponibilidade, domínio do assunto e experiência, e podem facilitar a coordenação e a cooperação. Um exemplo é o ‘Third Space Learning‘, que conecta alunos do Reino Unido que correm o risco de reprovar em matemática com tutores de matemática de outros países. Outro exemplo é o ‘Smart Learning Partner‘, que envolve uma plataforma movida a IA que permite que os alunos escolham e se conectem com um tutor humano por meio de seus telefones celulares, algo parecido com um aplicativo de namoro, para receber suporte individualizado.

Aprendizado colaborativo habilitado por AI

O aprendizado colaborativo, onde os alunos trabalham juntos para resolver problemas, é conhecido por melhorar os resultados de aprendizagem (Luckin et al., 2017), mas a colaboração efetiva entre os aprendizes pode ser difícil de alcançar. A IA pode transformar o aprendizado colaborativo de várias maneiras: uma ferramenta poderia ajudar a conectar alunos remotamente; poderia identificar os alunos mais adequados para tarefas colaborativas específicas e agrupá-los de acordo; ou poderia contribuir ativamente para as discussões em grupo, como um agente virtual. Embora nenhum exemplo específico tenha sido identificado, atualmente é uma área de interesse de pesquisa (por exemplo, Cukurova et al., 2017).

O uso da IA para capacitar os professores e melhorar o ensino.

Apesar de seu potencial para capacitar os professores, o uso de aplicativos de IA voltados para os professores para aumentar e melhorar o ensino recebeu muito menos atenção do que a IA voltada para os alunos, que substitui o professor. Atualmente, pesquisadores e desenvolvedores muitas vezes projetam para professores apenas no final do processo, por exemplo, adicionando um painel para exibir dados de estudantes ITS. No entanto, isso está lentamente começando a ser abordado.

Muitos aplicativos de IA voltados para os professores visam ajudá-los a reduzir as cargas de trabalho automatizando tarefas como avaliação, detecção de plágio, administração e feedback. Argumenta-se frequentemente que isso deve liberar tempo para que os professores invistam em outras tarefas, como fornecer suporte mais efetivo a estudantes individuais. No entanto, à medida que a IA se desenvolve, é possível que os professores sejam liberados de tantas tarefas que a necessidade percebida de professores seja reduzida a quase nada. Embora isso possa ter alguns benefícios em contextos onde os professores são escassos, o objetivo de eliminar a necessidade de professores humanos revela uma compreensão fundamentalmente equivocada de seu papel social essencial no processo de aprendizagem.

No entanto, é amplamente acordado que à medida que as ferramentas de IA se tornarem mais disponíveis na sala de aula, é provável que os papéis dos professores mudem. O que ainda não está claro é como isso acontecerá. No entanto, sabemos que os professores precisarão desenvolver novas competências para permitir que trabalhem efetivamente com a IA e realizem o desenvolvimento profissional apropriado para promover suas habilidades humanas e sociais.

Monitoramento de fóruns de discussão orientado por IA

As tecnologias de IA estão sendo usadas para apoiar a educação online, especialmente para ajudar os professores ou facilitadores a monitorar fóruns de discussão assíncronos. Nesses fóruns, os alunos dão respostas às tarefas atribuídas, perguntam aos tutores sobre materiais do curso e participam de oportunidades de aprendizado colaborativo. Isso geralmente gera um grande número de postagens, todas as quais devem ser moderadas e abordadas. A IA pode ajudar de várias maneiras: uma ferramenta pode triar as postagens do fórum e responder automaticamente às mais simples; agregar postagens que levantam questões sobrepostas; ou usar análise de sentimento para identificar postagens que revelem estados emocionais negativos ou não produtivos. Juntas, essas técnicas também podem permitir que os tutores humanos sejam mantidos informados das opiniões dos alunos e preocupações coletivas.

Um exemplo, embora com algumas questões éticas, foi o assistente de IA “Jill Watson“, que foi desenvolvido na Georgia Tech nos Estados Unidos para triar postagens de fóruns e responder a perguntas quando possível (como “Quando devo entregar minha tarefa?”), enquanto encaminha outras postagens mais complexas para assistentes de ensino humanos. Este assistente de IA foi baseado na plataforma Watson da IBM. Ele respondeu automaticamente a algumas perguntas dos alunos e enviou e-mails sobre tarefas (Goel e Polepeddi, 2017). Embora tenha sido considerado bem-sucedido, a ética foi criticada porque enganou os alunos a pensar que o assistente de IA era uma pessoa real – por exemplo, atrasando suas respostas e usando humor.

Modelo “professor duplo” AI-humano

Embora existam algumas exceções notáveis, grande parte da IA na educação foi projetada – intencionalmente ou não – para substituir algumas tarefas do professor, em vez de ajudar os professores a ensinar de maneira mais eficaz. Algumas escolas em áreas rurais remotas da China já usam o que é conhecido como um “modelo de professor duplo”. Nessa abordagem, um professor especialista dá uma palestra por meio de uma videoconferência para alunos em uma sala de aula distante, que recebem orientação adicional de um professor local menos experiente (iResearch Global, 2019). Uma possibilidade futura é que um assistente de ensino AI possa apoiar uma dessas funções. A IA poderia ajudar o professor humano em muitas tarefas, incluindo o fornecimento de expertise especializada ou recursos de desenvolvimento profissional, colaborando com colegas, tanto dentro quanto fora do ambiente específico, monitorando o desempenho dos alunos e acompanhando o progresso ao longo do tempo. O que e como ensinar aos alunos continuaria sendo responsabilidade e prerrogativa do professor. O papel da ferramenta de IA seria simplesmente facilitar o trabalho do professor e torná-lo mais colaborativo. Um exemplo é a “sala de aula de IA LeWaijiao”, que foi projetada para apoiar professores humanos para que possam realizar todas as principais tarefas.

Assistentes de ensino com alimentação de IA.

Um dos objetivos dos avanços tecnológicos é aliviar os professores de atividades demoradas, como fazer chamada, corrigir tarefas e responder às mesmas perguntas repetidas vezes. No entanto, ao fazer isso, eles efetivamente assumem grande parte do ensino (alguns afirmam oferecer atividades de aprendizagem personalizadas ‘melhores do que’ os professores), interferem na relação professor-aluno e podem reduzir os professores a um papel funcional. Por exemplo, um objetivo da avaliação automática de escrita (AWE) é aliviar os professores do fardo da correção. No entanto, como observamos, embora a correção possa ser onerosa, muitas vezes é uma oportunidade fundamental para que os professores aprendam sobre as estratégias e habilidades de seus alunos. Isso pode ser perdido com o uso do AWE. Além disso, essa abordagem claramente subestima as habilidades e experiências únicas dos professores, bem como as necessidades sociais e orientação dos alunos. Em vez de apenas automatizar o ensino baseado em computador, a IA pode ajudar a abrir possibilidades de ensino e aprendizagem que de outra forma seriam difíceis de alcançar ou que desafiam ou até mesmo perturbam as pedagogias existentes. Essa abordagem visa aumentar a expertise do professor, talvez por meio de um assistente de ensino de IA (AI TA) (Luckin e Holmes, 2017). Existem algumas aplicações de IA projetadas para capacitar professores e escolas a facilitar a transformação na aprendizagem. Algumas pesquisas foram realizadas sobre elas, mas muitas questões técnicas e éticas precisam ser superadas antes que possam ser utilizadas em cenários reais.
Relatório: https://unesdoc.unesco.org/ark:/48223/pf0000376709
Autor: UNESCO
Autores: Miao, Fengchun
 [43], Holmes, Wayne
 [11], Ronghuai Huang
 [14], Hui Zhang
 [6]
Fernando Giannini

Pesquisador de tecnologia aplicada à educação, arquiteto de objetos virtuais de aprendizagem, fissurado em livros de grandes educadores e viciado em games de todos os tipos. Conhecimentos aprimorados em cursos de grandes empresas de tecnologia, principalmente no Google Business Educational Center e Microsoft. Sócio-proprietário da Streamer, empresa que alia tecnologia e educação. Experiência de 18 anos produzindo e criando objetos de aprendizagem, cursos a distância, design educacional, interfaces para sistemas de aprendizagem. Gestor de equipe para projetos educacionais, no Ensino Básico, Médio e Ensino Superior. Nesse período de trabalho gerenciou equipes e desenvolveu as habilidades de liderança e gestão. Acredita na integração e aplicação prática dos conhecimentos para a realização de projetos inovadores, sólidos e sustentáveis a longo prazo. Um dos grandes sonhos realizados foi o lançamento do curso gratuito Mande Bem no ENEM que atingiu mais de 500 mil estudantes em todo o Brasil contribuindo para a Educação Brasileira.

Participe da nossa comunidade no Whatsapp sobre Educação e Tecnologia

0 comentários

Enviar um comentário

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

As 5 melhores ferramentas de IA para professores

A inteligência artificial está se tornando rapidamente parte integrante de praticamente tudo o que fazemos, e a educação não é exceção. Ela pode realmente ser o animal de estimação dos professores, aumentando a interatividade no aprendizado e "reduzindo a carga de...

Escrita à Mão Aumenta Conexões Cerebrais

Como a escrita tradicional à mão está sendo progressivamente substituída por dispositivos digitais, é essencial investigar as implicações para o cérebro humano. A atividade elétrica cerebral foi registrada em 36 estudantes universitários enquanto eles escreviam à mão...

IA na Educação

O salto para uma nova era de inteligência artificial de máquina traz riscos e desafios, mas também muitas promessas No romance de ficção científica de Neal Stephenson, The Diamond Age (A Era do Diamante), de 1995, os leitores conhecem Nell, uma jovem que recebe um...

As 10 melhores ferramentas de IA para estudantes

A Inteligência Artificial (IA) tem se tornado cada vez mais predominante em vários setores, e a educação não é exceção. Com o rápido avanço da tecnologia, graças a empresas como a Open AI, as ferramentas de IA surgiram como recursos valiosos para os estudantes que...

Seis perguntas que ditarão o futuro da IA generativa

A IA generativa tomou o mundo de assalto em 2023. Seu futuro - e o nosso - será moldado pelo que fizermos a seguir. Foi uma pessoa desconhecida que me mostrou pela primeira vez o quão grande seria a mudança de vibração deste ano. Enquanto esperávamos juntas por um...

Tag Cloud

Posts Relacionados

IA na Educação

IA na Educação

O salto para uma nova era de inteligência artificial de máquina traz riscos e desafios, mas também muitas promessas No...

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes