Inteligência artificial na educação: os três paradigmas

Tempo de leitura: 17 minutes

Loading

Com o desenvolvimento de técnicas de computação e processamento de informações, a inteligência artificial (IA) tem sido amplamente aplicada em práticas educacionais (Inteligência Artificial na Educação; AIEd), como sistemas de tutoria inteligente, robôs de ensino, painéis analíticos de aprendizagem, sistemas de aprendizagem adaptativa, interações homem-computador, etc. (Chen, Xie e Hwang, 2020). Desde o lançamento da AIEd há quase três décadas, a IA tem sido considerada uma ferramenta poderosa para facilitar novos paradigmas para o design instrucional, o desenvolvimento tecnológico e a pesquisa educacional que, de outra forma, seriam impossíveis de desenvolver nos modos tradicionais de educação (Holmes et al., 2019; Hwang et al., 2020), 2020). Como a inteligência artificial está transformando a educação através de três paradigmas revolucionários: AI-Direcionada, AI-Suportada e AI-Empoderada.

Especificamente, a AIEd proporcionou novas oportunidades, potenciais e desafios para inovações educacionais, por exemplo, a mudança para a aprendizagem personalizada, o desafio do papel do instrutor e o desenvolvimento de um sistema educacional complexo (Baker et al., 2019; Holmes et al., 2018; Starci c, 2019). Várias técnicas de AIEd (por exemplo, processamento de linguagem natural, redes neurais artificiais, aprendizado de máquina, aprendizado profundo e algoritmo genético) foram implementadas para criar ambientes de aprendizado inteligentes para detecção de comportamento, construção de modelos de previsão, recomendação de aprendizado etc. (Chen, Xie e Hwang, 2020; Rowe, 2019), 2020).Embora a IA tenha o potencial de transformar a educação (Holmes et al.,2019), os bons resultados educacionais normalmente não ocorrem em virtude do simples uso de tecnologias avançadas de computação de IA (Casta~neda & Selwyn,2018; Du Boulay, 2000; Selwyn, 2016).

Mais importante ainda, o uso de classes distintas de tecnologias educacionais geralmente implica em diferentes perspectivas filosóficas e pedagógicas, que, por sua vez, exercem influências críticas na qualidade do aprendizado e da instrução (Hwang et al., 2020).Embora trabalhos relevantes tenham revisado as categorizações de AIEd (Holmeset al., 2019), as abordagens (Baker et al., 2019; Luckin et al, 2016), questões de pesquisa (Hwang et al., 2020), desafios (Baker et al., 2019) e visões futuras (Pinkwart, 2016), poucos estudos examinam explicitamente quais são os diferentes papéis da IA na educação, como a IA está conectada às teorias educacionais e de aprendizagem existentes e até que ponto o uso de tecnologias de IA influencia a aprendizagem e a instrução (Hwang et al., 2020).

Para abordar essa lacuna, este artigo de posicionamento faz uma reflexão crítica dos aspectos teóricos, pedagógicos e computacionais da AIEd, propondo três paradigmas de AIEd que usam técnicas de IA de várias maneiras para abordar as questões de aprendizado e instrução na educação. O principal objetivo deste documento é resumir os principais paradigmas com a descrição de fundamentos teóricos relevantes, pesquisas conceituais e práticas. Em particular, este documento de posicionamento oferece uma estrutura de referência para a prática, a pesquisa e o desenvolvimento futuros da AIEd, que tem o potencial de promover a aprendizagem centrada no aluno, o agente humana e a aprendizagem ao longo da vida na atual era do conhecimento impulsionada pela inovação.

Revisão de trabalhos relevantes

A AIEd enfrenta os problemas essenciais no campo da educação geral, por exemplo, como atender às necessidades dos alunos, o que fornecer aos alunos e quando, e como capacitar os alunos a assumir o controle de seu próprio aprendizado (Du Boulay, 2000). Embora a AIEd integre técnicas avançadas de computação e processamento de informações na educação, ela não garante bons resultados educacionais e alta qualidade de aprendizagem (Casta~neda & Selwyn, 2018; Du Boulay, 2000; Selwyn, 2016).

O uso de tecnologias deve estar intimamente ligado à teoria educacional e de aprendizagem para informar o design instrucional e o desenvolvimento tecnológico (Bower, 2019). Uma série de revisões sistemáticas foi conduzida por diferentes equipes de pesquisa para apontar o problema comum na IAEd, ou seja, a falta de conexão entre as técnicas de IA e os fundamentos teóricos, que, por sua vez, influenciam criticamente o efeito das implementações de IA na educação. Por exemplo, depois de analisar 146 artigos de pesquisa sobre aplicações de IA no ensino superior, Zawacki-Richter et al. (2019) concluíram que havia uma falta de reflexão crítica das implicações teóricas, pedagógicas e éticas com a implementação de aplicações de IA no ensino superior. Chen, Xie, Zou e Hwang (2020) realizaram uma revisão sistemática de 45 estudos influentes sobre IA e resumiram que apenas vários estudos usaram teorias de aprendizagem para fundamentar a pesquisa sobre IA, incluindo a teoria da aprendizagem situada, a teoria da aprendizagem colaborativa e a teoria da aprendizagem adaptativa. Deeva et al. (2021) realizaram uma revisão de 109 artigos sobre sistemas de feedback automatizados e concluíram que as teorias de aprendizagem ou estruturas educacionais aplicadas não foram relatadas na maioria dos casos, embora as teorias tenham desempenhado um papel importante na compreensão do contexto em que um sistema foi implementado.

Como as diferentes classes de tecnologias educacionais geralmente implicam em diferentes perspectivas pedagógicas, é essencial examinar as diferentes funções das tecnologias de IA na educação considerando as teorias educacionais e de aprendizagem existentes (Hwang et al., 2020). Como consequência, este documento de posicionamento resume os principais paradigmas com as descrições das bases teóricas relevantes, pesquisas conceituais e implementações práticas, e oferece uma estrutura de referência para a prática, a pesquisa e o desenvolvimento futuros da IAEd.

Metodologia

O objetivo da pesquisa é resumir os principais paradigmas com as descrições dos fundamentos teóricos relevantes, da pesquisa conceitual e das implementações práticas. As perguntas da pesquisa são: quais são os diferentes papéis da IA na educação, como a IA está conectada às teorias educacionais e de aprendizagem existentes e até que ponto o uso das tecnologias de IA influencia a aprendizagem e o ensino. Para localizar e resumir os artigos relevantes, os procedimentos sistemáticos de seleção e categorização da literatura são os seguintes:

  1. Os bancos de dados acadêmicos usados para coletar os artigos são Web of Science, Scopus, Science Direct, Wiley Online Library, ACM, IEEE, Taylor & Francis, EBSCO.
  2. As palavras-chave usadas para pesquisar na literatura são: (“artificial intelligence “OR “AI” OR “AIED” OR “machine intelligence” OR “machinelearning” OR “intelligent tutoring system” OR “expert system” OR “recommender system” OR “recommendation system” OR “feedbacksystem” OR “personalized learning” OR “adaptive learning” OR “prediction system”) AND (“theory” OR “theoretical” OR “theoreticalframework” OR “behaviorism” OR “cognitivism” OR “constructivism “OR “connectivism” OR “complexity”).
  3. O período de tempo em análise é principalmente de 1990 a 2021.
  4. Os artigos selecionados são categorizados com relação às bases teóricas ou estruturas usadas para apoiar a AIEd nos artigos. Uma estratégia de categorização foi empregada para agrupar os artigos nas principais teorias de educação e aprendizado, por exemplo, behaviorismo, cognitivismo, construtivismo, conectivismo, complexidade etc.
  5. Para responder às perguntas da pesquisa, os artigos selecionados são caracterizados em termos das teorias de educação e aprendizado usadas para embasar o design e a implementação das tecnologias de IA, os diferentes papéis que as tecnologias de IA desempenham nos processos de aprendizado e instrução e as influências das tecnologias de IA na educação. Em termos dessa questão de pesquisa, três paradigmas são identificados, conforme descrito abaixo.

Resultados

A AIEd vem passando por várias mudanças paradigmáticas, que são caracterizadas em três paradigmas neste documento de posicionamento: Dirigido por IA, aluno como receptor, apoiado por IA, aluno como colaborador, e capacitado por IA, aluno como líder (veja a Tabela 1). No Paradigma Um, a IA é usada para representar e direcionar a aprendizagem cognitiva, enquanto os alunos são destinatários dos serviços de IA; no Paradigma Dois, a IA é usada para apoiar a aprendizagem, enquanto os alunos trabalham como colaboradores da IA; no Paradigma Três, a IA é usada para capacitar a aprendizagem e os alunos assumem o controle de sua aprendizagem.

Paradigma um – IA dirigida, aluno como receptor

O Paradigma Um é caracterizado como IA dirigida, aluno como receptor, ou seja, a IA representa o conhecimento do domínio e dirige os processos de aprendizagem, enquanto o aluno atua como destinatário do serviço de IA para seguir os caminhos específicos de aprendizagem. A base teórica do Paradigma Um é o comportamentalismo, que enfatiza a construção de sequências de conteúdo cuidadosamente organizadas que levam ao desempenho correto do aluno (Skinner, 1953). O Paradigma Um vê a aprendizagem como um reforço da aquisição de conhecimento por meio de instruções programadas que introduzem novos conceitos de forma lógica e incremental, oferecem ao aluno feedback imediato sobre respostas incorretas e maximizam o reforço positivo (Greeno et al, O aluno age como destinatário para reagir a sequências pré-especificadas de conhecimento, segue procedimentos e caminhos de aprendizagem e executa atividades de aprendizagem definidas pela IA para atingir metas predefinidas (Burton et al.,2004; Holmes et al., 2019; Koschmann, 2009).

No Paradigma Um, os sistemas de IA herdam as características da máquina de ensinar (Skinner, 1958), para fazer apresentações lógicas do conhecimento do assunto, exigir as respostas explícitas do aluno e apresentar conhecimento imediato da correção (Burton et al., 2004). Os sistemas de IA não modelam o conhecimento e as habilidades emergentes e recebidas do aluno, nem ajustam seu feedback a esse aluno como indivíduo ou, pelo menos, como representante de uma classe de indivíduos. O Paradigma Um é o paradigma menos centrado no aluno.

Uma implementação típica do Paradigma Um é o trabalho anterior em Sistemas de Tutoria Inteligente (ITSs). Por exemplo, o ACT ProgrammingTutor definiu um banco de dados de regras de produção para o conhecimento de programação, usou estatísticas básicas para estimar a probabilidade de os alunos aprenderem as regras e apresentou as sequências individualizadas de exercícios aos alunos com base na probabilidade estimada (Anderson et al., 1990).

Outro exemplo é a versão não inteligente do Stat Lady, um tutor de estatística. O Stat Lady apresenta todo o conteúdo do currículo em uma ordem fixa e exige que os alunos resolvam um conjunto predefinido de problemas antes que o domínio seja presumido para passar para a próxima etapa (Shute, 1995). Além da representação do conhecimento pelo sistema e pelo especialista, uma versão inteligente do Stat Lady avalia o conhecimento recebido pelos alunos com base em um pré-teste on-line, usa vários métodos para representar os estados atuais de aprendizagem dos alunos e toma decisões de domínio ou correção de acordo com eles (Shute, 1995).

A IA baseada em técnicas relacionais estatísticas é normalmente usada no Paradigma Um para representar o conhecimento como um conjunto de regras de produção, para detectar determinados padrões de comportamento dos alunos ou para fornecer uma avaliação automática, feedback ou dicas. No Paradigma Um, de modo geral, a IA atua como diretora de todos os processos de aprendizagem e os alunos recebem serviços de IA para conduzir investigações cognitivas, resolver problemas e atingir metas de aprendizagem. No Paradigma Um, embora alguns sistemas coletem as informações do aluno para diagnosticar o estado do aprendizado, é o sistema que define o conteúdo, o procedimento e a meta do aprendizado, enquanto o aluno é coagido a seguir um caminho de aprendizado específico fornecido pelo sistema de IA (du Boulay, 2019).

A visão do sistema ou do especialista pode causar um estereótipo em relação ao conhecimento e às habilidades que o sistema de IA espera que o aluno alcance (Kay, 2000), uma vez que as características, as necessidades e as metas individuais dos alunos não são levadas em consideração. Também é um desafio no Paradigma Um abordar domínios e tarefas que incluem problemas mal definidos (Pinkwart, 2016). Para abordar o predomínio excessivo da IA como uma “caixa preta” para os alunos no Paradigma Um, os alunos são tratados como colaboradores no Paradigma Dois.

Paradigma dois: apoiado por IA, aluno como colaborador

O segundo paradigma é caracterizado como apoiado por IA, aluno como colaborador, ou seja, o sistema de IA abre mão do seu poder de controle para servir como ferramenta de apoio, enquanto o aluno trabalha como colaborador do sistema para se concentrar no processo de aprendizagem individual do estudante. O segundo paradigma da IA está fundamentado em uma visão cognitiva e de construtivismo social da aprendizagem, que reflete a noção de que a aprendizagem ocorre quando o aluno interage com pessoas, informações e tecnologia em contextos socialmente situados (Bandura, 1986; Liu & Matthews, 2005; Vygotsky, 1978).

Especificamente, o sistema de IA coleta informações emergentes e individualizadas dos alunos como entrada para otimizar de forma adaptativa o modelo do aluno, enquanto o aluno atua como colaborador para se comunicar com o sistema de IA a fim de obter um aprendizado melhor ou mais eficiente (Baker et al., 2019; du Boulay, 2019; Rose et al., 2019). De modo geral, em comparação com o Paradigma Um, o Paradigma Dois faz um movimento crítico em direção à aprendizagem humana centrada no aluno por meio da interação mútua e da colaboração sustentada entre o aluno e o sistema de IA. Várias implementações de IA, como os sistemas de tutoria baseados em diálogo (DTSs) ou os ambientes de aprendizagem exploratória (ELEs), foram desenvolvidas no Paradigma Dois para obter interações mútuas entre o sistema e o aluno.

Por um lado, o sistema de IA coleta e analisa dados emergentes e multimodais do aluno para compreender com precisão o status de aprendizagem do aluno. Por exemplo, Stamper (2006) usou um processo de decisão de Markov para gerar automaticamente regras de produção usando dados anteriores do aluno em um conjunto de problemas e para continuar refinando as regras de produção à medida que novos dados eram gerados pelos alunos. Dessa forma, os dados do aluno são coletados para fazer uma representação mais precisa do conhecimento e das habilidades no sistema do que o modelo de conhecimento completamente definido a partir da visão do especialista ou do sistema. Além disso, K€aser et al. (2017) usaram os modelos de rede bayesiana dinâmica para representar várias hierarquias de habilidades dos alunos e as relações entre as diferentes habilidades, o que melhorou a precisão da representação do conhecimento do aluno.

Por outro lado, o aluno pode se comunicar com o sistema para entender o processo de tomada de decisão do sistema e fazer escolhas melhores para o aprendizado posterior. Por exemplo, um ambiente exploratório chamado QUE foi projetado para que os alunos explorassem as discrepâncias entre as respostas incorretas de um aluno e o conhecimento do sistema sobre a linha de raciocínio “correta” nos sistemas de tutoria inteligente baseados em regras (Metzler & Martincic, 1998). Dessa forma, o aluno explorou os processos de raciocínio do sistema inteligente fazendo perguntas do tipo “por que não?” e “e se?”, que são essenciais para explicar ou entender os processos de raciocínio em uma situação de aprendizado interativo (Metzler & Martincic, 1998).

Algoritmos de IA, como rede bayesiana, processamento de linguagem natural e árvores de decisão de Markov, têm sido usados para analisar grandes volumes de dados de várias fontes, obter resultados confiáveis com alta precisão e gerar visualizações para comunicação (UNESCO, 2019). Em resumo, em contraste com o Paradigma Um, em que os sistemas de IA predefinem o caminho da aprendizagem cognitiva, enquanto os alunos recebem serviços de IA para acompanhar a aprendizagem, no Paradigma Dois, o sistema de IA e o aluno constroem interações mútuas, o que leva a uma aprendizagem mais centrada no aluno.Uma questão principal no Paradigma Dois, entretanto, é até que ponto e como as informações dos alunos são integradas ao sistema de IA para otimizar o modelo do aluno, refletir aspectos variados do status da aprendizagem e desenvolver aprendizagem e instrução adaptativas e apoiadas por IA.

O problema geral é a falta de comunicação contínua ou de interações sinérgicas entre humanos e computadores. Essa interação é complexa porque nem as informações e os dados do aluno nem o estado do sistema são estáticos ou simples. Ambos têm estruturas complexas e hierárquicas e ambos mudam dinamicamente durante o processo de aprendizagem. Em outras palavras, é fundamental que os sistemas de IA ofereçam análise de dados em tempo real e feedback imediato ao aluno e que o aluno use esse feedback para aprimorar os processos de aprendizagem emergentes e contínuos. Portanto, seria benéfico se o sistema de IA mantivesse a coleta e a análise contínuas de dados gerados pelo aluno e oferecesse a ele oportunidades exploratórias em tempo real para tomar decisões sobre o aprendizado. Para promover ainda mais a agência do aluno, os alunos são tratados como líderes no Paradigma Três.

Paradigma três: Capacitado por IA, aluno como líder

O terceiro paradigma é caracterizado como capacitado por IA, aluno como líder que mantém a agência do aluno como o núcleo da IAEd (Bandura, 2006) e vê a IA como uma ferramenta para aumentar a inteligência humana (Law, 2019). O Paradigma Três reflete uma perspectiva da teoria da complexidade que vê a educação como um sistema adaptativo complexo (Mason, 2008), em que uma colaboração sinérgica entre várias entidades (por exemplo, o aluno, o instrutor, as informações e a tecnologia) no sistema é essencial para garantir a inteligência ampliada do aluno. Nesse sistema complexo, a AIEd precisa ser projetada e aplicada com a consciência de que as técnicas de IA são partes de um sistema mais amplo composto por alunos, instrutores e outros seres humanos (Riedl, 2019).

Para obter a colaboração sinérgica no sistema complexo, conceitos como cooperação humano-computador (Hoc, 2000), sistemas de IA e ML centrados no ser humano (Riedl, 2019), IA humana a colaboração (Hwang et al., 2020) e a inteligência artificial centrada no ser humano na educação (Yang et al., 2021) são propostas para abordar a IA de uma perspectiva humana, considerando as condições, as expectativas e os contextos humanos. No Paradigma Três, a IA ajuda os alunos e os instrutores a alcançar a inteligência aumentada, fornecendo um alto nível de transparência, precisão e eficácia (Riedl, 2019; Yang et al., 2021). O instrutor é equipado com suportes compreensíveis, interpretáveis e personalizados por sistemas de IA para promover a aprendizagem centrada no aluno (Baker et al., 2019; Holmes et al., 2019; Roll & Wylie, 2016).

O aluno assume a agência para trabalhar como líder de sua própria aprendizagem, gerencia os riscos da automação da decisão de IA e desenvolve uma aprendizagem melhor ou mais eficiente (Gartner, 2019). De modo geral, o Paradigma Três, como a tendência de desenvolvimento da IA, reflete o objetivo final da aplicação da IA na educação, que é aumentar a inteligência, a capacidade e o potencial humanos (Gartner, 2019; Law, 2019; Tegmark, 2017). Por um lado, as técnicas avançadas (por exemplo, interface cérebro-computador, aprendizado de máquina, aprendizado profundo) têm potencial para obter coleta e análise contínuas de dados para garantir a precisão, a transparência e a interatividade dos dados (Baker et al., 2019; Gartner, 2019; Kay & Kummerfeld, 2019). Por exemplo, o desenvolvimento de técnicas de interação avançadas, como dispositivos vestíveis inteligentes, computação em nuvem e Internet das Coisas, muda a forma como o ser humano interage com os sistemas de IA (Pinkwart, 2016; Xie et al., 2019).

Por sua vez, o papel da IA no sistema educacional também muda com o desenvolvimento da cognição humano-artificial (Hwang et al., 2020). Por outro lado, com informações personalizadas apoiadas pelas técnicas de IA, o ser humano pode tomar decisões melhores sobre o ensino e a aprendizagem. Por exemplo, Le et al. (2018) criaram um modelo de aprendizagem profunda com a classificação atual da rede neural para fazer uma modelagem preditiva do MOOC em tempo real e fornecer recursos de comunicação personalizados para permitir a comunicação direta entre o instrutor e os alunos. Eles usaram modelos de algoritmos de previsão e classificação para aumentar a transparência dos processos de tomada de decisão de tutores especializados para reflexões e feedback avançados. Esse trabalho inovador tenta usar a cooperação entre humanos e computadores para permitir que os instrutores façam uma previsão e uma análise mais precisas da participação futura dos alunos e forneçam orientação individualizada ao aluno.

Em resumo, no Terceiro Paradigma, é a interação sinérgica, a integração e a colaboração entre o sistema de IA e a inteligência humana que precisam ser promovidas para produzir uma aprendizagem adaptativa e personalizada (Blikstein, 2018; du Boulay,2019; Tang et al., 2021). Um dos principais desafios do Terceiro Paradigma é como lidar com a complexidade, ou seja, como combinar a complexidade do processo de aprendizagem com a complexidade dos sistemas de IA e a complexidade dos contextos educacionais.

Para desenvolver o campo da AIEd, a futura AIEd deve ser projetada e operada de modo a oferecer meios de comunicação constantes para reunir valores e interpretações de todas as partes interessadas, para alinhar os modelos de IA com os valores humanos ao longo de suas operações e para tornar as metas compatíveis com a aprendizagem centrada no aluno (Knox et al, 2019; Rowe, 2019; Segal, 2019). Enfrentar esses desafios não só exige que os sistemas de IA apoiem os processos de aprendizagem emergentes e mutáveis, fazendo uso da tendência e do comportamento dos alunos e, ao mesmo tempo, fornecendo-lhes resultados interpretáveis e acionáveis, mas também capacita os alunos e instrutores a refletirem sobre os processos e objetivos de aprendizagem e instrução, informando os sistemas de IA para que se adaptem adequadamente e levando a um ciclo iterativo de desenvolvimento da aprendizagem.

Os conceitos emergentes mencionados acima, como sistemas de IA e ML centrados no ser humano (Riedl, 2019), colaboração entre humanos e IA (Hwang et al.,2020 ), inteligência artificial centrada no ser humano na educação (Yang et al.,2021) servem como estruturas para o Paradigma Três. Além disso, um desenvolvimento sustentável da IAEd precisa lidar com várias dimensões pedagógicas, sociais, culturais, técnicas e éticas, por exemplo, inclusão e equidade na IAEd, preparação de professores para a educação com poder de IA, sistemas inclusivos de coleta e uso de dados (Hwang et al., 2020; Pedr o et al., 2019; Zawacki-Richter et al., 2019). Em resumo, o Terceiro Paradigma tem como objetivo capacitar os alunos a assumir o controle total da aprendizagem, otimizar as técnicas de IA para fornecer percepções em tempo real sobre a aprendizagem emergente e repensar as mudanças de aprendizagem trazidas pela IA em sistemas de aprendizagem complexos e interconectados.

Discussão

Como as teorias educacionais e de aprendizagem raramente foram adotadas nas pesquisas de AIEd para fundamentar a aprendizagem e a instrução, sugere-se que há necessidade de uma combinação estreita das tecnologias de IA com as teorias educacionais e de aprendizagem (Chen, Xie e Hwang, 2020; Hwang et al.,2020; Hwang e Tu, 2021). Com base nas principais teorias de aprendizagem, este documento de posicionamento propõe três paradigmas de IA para resumir sistematicamente como as técnicas de IA são usadas para abordar questões educacionais. O Paradigma Um, dirigido por IA e com o aluno como receptor, e o Paradigma Dois, apoiado por IA e com o aluno como colaborador, são os principais paradigmas da AIEd nas últimas três décadas para fornecer serviços de aprendizagem para os alunos acompanharem e colaborarem na aprendizagem. O Paradigma Três, capacitado por IA, aluno como líder, indica a tendência de desenvolvimento da AIEd, ou seja, promover a integração da inteligência humana na inteligência artificial e abordar questões como vieses nos algoritmos de IA, falta de governança e falta de transparência sobre por que e como uma decisão de IA é tomada (Hwang et al., 2020; Hwang & Tu, 2021).

Para facilitar o desenvolvimento do AIEd em direção ao Paradigma Três, fatores essenciais incluem: técnicas de coleta de dados multimodais, modelos de algoritmos de IA em tempo real e atributos multidimensionais do AIEd. Primeiro, a coleta de dados multimodais permite que a riqueza e a complexidade da aprendizagem humana sejam mais bem interpretadas, evidenciadas e apoiadas (Cukurova et al., 2019; Giannakos et al., 2019; Yang et al., 2021). O desenvolvimento de técnicas avançadas de interação tem potencial para transformar as técnicas de coleta de dados multimodais (Xie et al., 2019). Por exemplo, uma variedade de coleta de dados multimodais, incluindo dados de sensoriamento fisiológico, rastreamento ocular e eletroencefalografia, ajudou a obter uma compreensão multifacetada do status dos alunos e alcançou uma boa previsão de desempenho de aprendizagem (Giannakos et al., 2019). Em segundo lugar, os modelos de algoritmo de IA em tempo real têm potencial para coletar e fornecer feedback de informações para o ser humano em tempo hábil, o que pode facilitar melhor a agência do aluno ou do professor na educação.

A interação homem-computador (HCI) pode integrar modelos de algoritmo de IA em tempo real, bem como dados de entrada multimodais para buscar abordagens multifacetadas e a combinação de dados complexos e multimodais, bem como a identificação dos recursos mais importantes desses fluxos de dados para promover o Paradigma Três – aluno como líder capacitado por IA. Os modelos de IA em tempo real asseguram a maneira como os pesquisadores coletam e entendem os dados gerados pelos usuários para fornecer uma compreensão mais profunda da interação em tempo real entre humanos e tecnologias (Giannakos et al., 2019; Xie et al., 2019). Em terceiro lugar, além das técnicas, os atributos multidimensionais da AIEd, como as dimensões social, cognitiva, emocional, filosófica e ética, são considerações essenciais nos contextos educacionais.

Quando as tecnologias de IA podem tomar decisões computacionais e lógicas melhores do que as humanas, os seres humanos têm algumas características que a IA não pode igualar em relação a percepções, emoções, sentimentos e cognições (Yang et al., 2021). Portanto, os movimentos do Paradigma Três em direção a uma IA centrada no ser humano (HAI) devem abordar a IA a partir de uma perspectiva humana, considerando atributos, condições e contextos multidimensionais do ser humano. Vale a pena mencionar que o uso de técnicas avançadas por si só não garante o desenvolvimento do paradigma da IA capacitada e do aluno como líder. Por exemplo, os pesquisadores usaram a tecnologia de interface cérebro-computador para capturar as informações de roencefalografia do aluno a fim de detectar os níveis psicológicos, emocionais ou de atenção do aluno (por exemplo, Verkijika & De Wet, 2015). Embora nesse caso seja usada a técnica mais avançada, como em muitos outros aplicativos de IA, o antigo paradigma da educação permanece, ou seja, a necessidade e o objetivo de aprendizagem do aluno não são considerados, o aluno não é informado sobre como os dados são usados e com que finalidade, o aluno é não é capacitado para assumir o controle de seu próprio aprendizado. De modo geral, a integração da inteligência humana e da inteligência de máquina pode ajudar a AIEd a passar do Paradigma Um e Dois para o Paradigma Três; em especial, projetar modelos de IA em tempo real que possam incorporar técnicas de coleta e análise de dados multimodais e integrar a cognição humana, o pensamento e os julgamentos reflexivos é uma forma de concretizar o Paradigma Três.

De modo geral, o desenvolvimento da AIEd tem passado pelo Paradigma Um, dirigido por IA, aluno como destinatário, e pelo Paradigma Dois, apoiado por IA, aluno como colaborador, e atualmente está se movendo em direção ao Paradigma Três, capacitado por IA, aluno como líder, para facilitar a agência, a capacitação e a personalização do aluno, permitir que os alunos reflitam sobre a aprendizagem e informar os sistemas de IA para que se adaptem adequadamente, além de levar a um desenvolvimento iterativo da aprendizagem centrada no aluno.

Conclusões

Neste documento de posicionamento, propomos três paradigmas de IAEd: dirigido por IA, aluno como destinatário, apoiado por IA, aluno como colaborador e capacitado por IA, aluno como líder, para resumir sistematicamente como as técnicas de IA são usadas para abordar questões de aprendizagem e instrução na educação. As técnicas de IA têm potencial para estimular e avançar significativamente as ciências da instrução e da aprendizagem, o que, por sua vez, ofereceria oportunidades informadas por evidências para o desenvolvimento de tecnologias de IA (Hwanget al, 2020; Pedr o et al., 2019). Mais importante ainda, é crucial enfatizar que a AIEd não se trata apenas da implementação da tecnologia de IA; é uma integração das dimensões pedagógica, social, cultural e econômica durante os processos de aplicação da tecnologia (Casta~neda & Selwyn, 2018; Selwyn, 2016). Com base nas teorias educacionais existentes, os pesquisadores podem derivar novas interpretações ou ideias sobre a pedagogia e as ciências da aprendizagem decorrentes dos aplicativos de AIEd (Hwang et al.,2020; Hwang & Tu, 2021). Em consonância com trabalhos anteriores (por exemplo, Deevaet al., 2021; Holmes et al., 2019; Hwang et al., 2020), argumentamos que o desenvolvimento futuro do campo da AIEd deve levar ao desenvolvimento iterativo da aprendizagem personalizada, centrada no aluno e orientada por dados na atual era do conhecimento.

Referências

Aqui estão as referências organizadas em linhas individuais:

1. Selwyn, N. (2016). A tecnologia é boa para a educação? Cambridge, Reino Unido: Malden, MA: Polity Press.
2. Shute, V. J. (1995). Smart: abordagem de modelagem do aluno para tutoria responsiva. User Modeling and User-Adapted Interaction, 5(1), 1-44.
3. Skinner, B. F. (1953). Science and human behavior (Ciência e comportamento humano). New York: Macmillan.
4. Skinner, B. F. (1958). Teaching machines. Science, 128(3330), 969-977.
5. Stamper, J. (2006). Automating the generation of production rules for intelligent tutoring systems. Em Proceedings of the 9th international conference on interactive computer aided learning (ICL 2006). Kassel University Press.
6. Starčič, A. I. (2019). Human learning and learning analytics in the age of artificial intelligence. British Journal of Educational Technology, 50(6), 2974-2976.
7. Tang, K. Y., Chang, C. Y., & Hwang, G. J. (2021). Trends in artificial intelligence-supported learning: A systematic review and co-citation network analysis (1998-2019). Interactive Learning Environments. https://doi.org/10.1080/10494820.2021.1875001
8. Tegmark, M. (2017). Vida 3.0: Ser humano na era da inteligência artificial. Knopf.
9. UNESCO. (2019). Inteligência Artificial na educação: Challenges and opportunities for sustainable development. França: Organização das Nações Unidas para a Educação, a Ciência e a Cultura (UNESCO). https://en.unesco.org/news/challenges-and-opportunities-artificial-intelligence-education
10. Verkijika, S. F., & De Wet, L. (2015). Uso de uma interface cérebro-computador (BCI) na redução da ansiedade em matemática: Evidence from South Africa. Computers & Education, 81, 113-122.
11. Vygotsky, L. (1978). Mind in society: The development of higher psychological processes. Harvard University Press.
12. Xie, H., Chu, H. C., Hwang, G. J., & Wang, C. C. (2019). Trends and development in technology-enhanced adaptive/personalized learning: A systematic review of journal publications from 2007 to 2017. Computers & Education, 140, Artigo 103599.
13. Yang, S. J., Ogata, H., Matsui, T., & Chen, N. S. (2021). Inteligência artificial centrada no ser humano na educação: Seeing the invisible through the visible. Computers & Education: Artificial Intelligence, 2, Artigo 100008.
14. Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? Revista Internacional de Tecnologia Educacional no Ensino Superior, 16(1), 1-27.

 

 

Autores: Fan Ouyang, Pengcheng Jiao
Fonte: ScienceDirect
Artigo original: https://bit.ly/4aQ9FAU

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

Competências essenciais na era digital

A proliferação da IA em muitos aspectos da vida humana - desde o lazer pessoal até o trabalho profissional, passando pelas decisões políticas globais - impõe uma questão complexa sobre como preparar as pessoas para um mundo interconectado e em rápida mudança, que está...

Educação digital para prevenir abusos sexuais online

Depois de participar de uma aula incrível com a professora Beatriz Lorencini e o Felipe, fui tirado da bolha onde costumo estar a maior parte do meu tempo se não o tempo todo. Quando percebi eu estava em choque por "não saber ou escolher não saber" que existem...

Cinco passos para utilizar o ChatGPT na sala de aula

Como professor, é quase certo que você já tenha utilizado inteligência artificial (IA), mesmo que uma vez ou diariamente em seus trabalhos acadêmicos sem saber ou se importar como ela funciona. Um exemplo disso é a filtragem de spam de e-mail e o verificador...

43 exemplos de inteligência artificial aplicados na educação

O potencial do uso da inteligência artificial na educação para aprimorar o aprendizado, auxiliar os professores e estimular um aprendizado individualizado mais eficaz é empolgante, mas também um pouco assustador. Para se ter uma conversa inteligente sobre IA na...

Impacto de robôs na curiosidade infantil

Resumo A curiosidade é fundamental para o aprendizado, mas as crianças em idade escolar apresentam variações em sua vontade de adquirir informações. Pesquisas recentes sugerem que outras pessoas têm uma forte influência no comportamento exploratório das crianças. Será...

10 práticas para utilizar IA em sala de aula

Nos primeiros dias de dezembro de 2022, tarde da noite, sob o manto da escuridão, digitei avidamente "ChatGPT" em minha barra de pesquisa do Google. Entrei no mundo da IA com nervosismo e entusiasmo, como quando entrava em uma loja de doces quando criança e era...

Tag Cloud

Posts Relacionados

[dgbm_blog_module posts_number=”4″ related_posts=”on” show_categories=”off” show_pagination=”off” item_in_desktop=”2″ equal_height=”on” image_size=”mid” author_background_color=”#ffffff” disabled_on=”off|off|on” module_class=”PostRelacionado” _builder_version=”4.16″ _module_preset=”default” title_font=”Montserrat||||||||” title_text_color=”#737373″ title_font_size=”19px” title_line_height=”25px” meta_text_color=”#666″ meta_font_size=”13px” content_font_size=”13px” content_line_height=”30px” author_text_color=”#666666″ custom_css_content_container=”display:flex;||flex-wrap:wrap;” custom_css_image-container=”padding-top:70%;||overflow:hidden;” custom_css_image=”position:absolute;||top:0;||left:0;||bottom:0;||right:0;||object-fit: cover;||height:100%;||width:100%;” custom_css_title=”padding:20px;||margin-top:0;||order:2;” custom_css_content=”padding:0 20px 20px;||order:3;” custom_css_post-meta-middle=”order:1;||padding:20px;||border-bottom:1px solid #dcdcdc;||border-top:1px solid #dcdcdc;” border_width_all_post_item=”0px” border_width_all_content=”0px” box_shadow_style_container=”preset1″ box_shadow_blur_container=”5px” box_shadow_spread_container=”1px” box_shadow_color_container=”rgba(0,0,0,0.1)” global_colors_info=”{}”][/dgbm_blog_module]

Receba a nossa newsletter

Fique por dentro e seja avisado dos novos conteúdos.

Publicações mais recentes