apres_AIEd

Prévia do material em texto

Inteligência Artificial aplicada à 
Educação: Potenciais usos e desafios
Prof. Henrique Pequeno
Laboratório de Mídias Educacionais
Instituto UFC Virtual
Universidade Federal do Ceará
O que é Inteligência Artificial
A IA investiga como os seres humanos pensam com o 
objetivo de elaborar teorias e modelos da Inteligência 
como programas de computador. 
Um sistema IA, além de ser capaz de armazenar e 
manipular dados, consegue também adquirir, 
representar e manipular conhecimento. 
Esta manipulação diz respeito à capacidade de deduzir 
ou inferir novos conhecimentos a partir do 
conhecimento existente e de utilizar métodos de 
representação e manipulação para resolver problemas 
complexos.
Teste de Turing
• Alan Turing
• 30% das pessoas acreditarem estar 
interagindo com um ser humano, o sistema 
inteligente terá exito no teste.
Indagação de Minsky
• Livro: Semantic Information Processing 
(MINSKY, 1968)
• "Como fazer as máquinas compreenderem as 
coisas?"
Primórdios
• 1930: Nicolas Rashevsky modelou a primeira 
rede neural
• 1942: Walter Pitts interpretou uma rede 
neural biológica como uma rede de 
comutações lógicas
Primórdios
• 1940-1960: Nascimento da IA
• 1956: Nascimento do termo Inteligência Artificial 
(Encontro de Dartmouth, com a presença de Allen 
Newell, Herbert Simon, Marvin Minsky, Oliver 
Selfridge e John McCarthy)
Pais da IA
Linha do Tempo da IA
Deep Blue
Vertentes de IA
• IA baseada em lógica
– Época clássica da IA
– Processamento simbólico
– Buscava compreender o raciocínio humano;
– Solucionador geral de problemas (General Problem 
Solver)
– Resolveu provas de teoremas matemáticos, 
problemas de geometria e jogo de xadrez.
– Dominou as pesquisas entre as décadas de 1950 e 
1970
– Alguns expoentes desta era: Allen Newell, John Shaw, 
and Herbert Simon
Vertentes de IA
• IA baseada em conhecimento
– A partir da década de 1970, o foco foi desenvolver 
meios para representar o conhecimento.
– Surge os sistemas especialistas (expert 
systems/knowledge-based systems). 
– Popularizou-se nos anos 1980, em linhas de 
montagem de fábricas, finanças, logística etc.
Vertentes de IA
• Sistemas Especialistas
Vertentes de IA
• Redes Neurais
Deep Learning
Machine Learning: Aprendizado 
Supervisionado e Não-supervisionado
Reinforcement Learning
Componentes da IA
Motivos para o vertiginoso 
crescimento da IA 
• Surgimento de hardware que permite o 
processamento paralelo de operações (motivação 
dos games)
• Registro de grandes quantidade de dados, 
permitindo a realização de um vasto leque de 
aplicações para IA (imagens, videos, voz, texto 
etc.) 
• Surgimento de amplo leque de ambientes de 
desenvolvimento (livres ou proprietários), cada 
vez mais intuitivos e poderosos.
IA em nosso cotidiano
• Celulares
IA em nosso cotidiano
IA em nosso cotidiano
IA, em breve, em nosso cotidiano
Aplicações de IA no mundo
Perspectivas 
• Investimentos estratégicos por parte de grandes 
potências econômicas mundiais
– China 
• estimativa de ganho de suas corporações com IA de $150 bi 
até 2030; Investiu recentemente $2.1 bi na montagem de 
um parque de inovação em IA (2016)
– EUA
• Investiu $2.5bi (2017). Investimento privado é estimado em 
$20bi
– União Européia
• Investimentos público e privado juntos devem chegar a 20 
bilhões de euros
Inteligência Artificial na Educação
• Notadamente na área educacional, diversos estudos têm 
sido realizados com o intuito de contribuir direta ou 
indiretamente com o aprendizado de alunos.
• Ferramentas de Datamining e BI permitem que novos 
indicativos acadêmicos sejam apresentados, como:
– análise comportamental de estudantes, tutores e professores; 
– definição de quais elementos constituintes dos cursos são 
efetivamente mais importantes à formação do estudante;
– quais variáveis são mais significativas para indicar uma possível 
evasão; 
– elaboração de modelos preditivos de desempenho do estudante; 
– personalização de atendimento pedagógico
Inteligência Artificial na Educação
• Sistemas de Tutores Inteligentes (Intelligent Tutoring 
Systems – ITS)
• Sistemas com arquitetura baseada na representação do conhecimento
– Atende a um domínio específico
– "gofai" (good-old-fashioned-AI)
– Provê registro de dados das ações dos estudantes, possibilitando 
pesquisas sobre o processo de aprendizagem
– Possui um modelo de conhecimento (escopo de conteúdo)
– Possui um modelo do estudante (registro de nível de 
conhecimento do aprendiz))
– As restrições para generalizações de STI’s fomentaram a adoção 
de outras técnicas, como Mineração de Dados Educacionais e 
Learning Analytics.
ITS
Learning Analytics
• Consiste na mensuração, coleção, análises e 
registros de dados sobre alunos e seus contextos, 
para fins de entendimento e otimização do ensino 
e o ambiente em que ocorre. 
– A coleta, organização e aproveitamento de dados de 
aprendizagem gera um trabalho árduo, e um tempo 
extenso.
– Hoje várias aplicações trabalham com a mineração 
desses dados fazendo uso distinto de algoritmos 
diferentes para cada finalidade e perfil, seja no modo 
a classificar, associar, agrupar e otimizar os dados de 
estudantes e dos processos de aprendizagem. 
Learning Analytics
• Alto potencial de impacto 
para melhorar o sucesso do 
estudante
• Definição de indicadores de 
habilidade em progresso.
– Limitações
• Falta de validação de dados 
em muitos sistemas.
• Privacidade dos dados
• Definição de indicadores de 
Predição
Learning Analytics
Learning Analytics
Mineração de Dados Educacionais 
(Educational Data Mining - EDM)
Mineração de dados (MD) consiste na aplicação 
de métodos computacionais (algoritmos) 
voltados ao processamento de grandes 
quantidades de dados, com o intuito de dar 
evidência a informações contidas nos dados e de 
difícil detecção, para a produção de novos 
conhecimentos e novas descobertas científicas 
(BAKER et al.,2011).
Mineração de Dados Educacionais 
(Educational Data Mining - EDM)
LA e EDM
• Atuam, muitas vezes, para alcançar o mesmo 
objetivo, mas diferem em relação ao enfoque.
• EDM, em boa parte, deu seguimento a pesquisas 
na área de ITS, atuam fortemente sobre o aspecto 
computacional. Já LA focam no comportamento e 
resultados em atividades.
• Porém, ambos cuidam de identificar aprendizes 
com dificuldades, auxiliar estudantes e 
professores na evolução e melhoramento do 
desempenho acadêmico.
Sistemas de Recomendação 
Educacional (SRE)
Os SRE’s têm sido responsáveis por sugerir aos 
interagentes fontes complementares de 
conteúdo ou informar quais outros usuários 
estão aptos a colaborar para a realização de 
determinadas atividades. 
Comumente esses sistemas utilizam técnicas de 
Inteligência Artificial, Mineração de Dados, 
Estatística, dentre outros.
Sistemas de Recomendação 
Educacional (SRE)
Aplicações de SRE disponíveis (BUDER; SCHWIND, 2012):
- Sugestão de cursos – Baseado nos cursos que determinado usuário tem realizado com maior 
frequência, o sistema recomenda cursos de assuntos correlatos, inferindo que esses cursos têm 
forte grau de interesse por parte do usuário.
Ex.: MOOC Coursera
- Busca de itens/objetos significativos – Promove recomendação de conteúdos educacionais 
como objetos de aprendizagem, vídeos, sites (conteúdo), etc,alinhados a determinado tópico 
de interesse do usuário.
Ex.: sugestão de blogs e sites afins às leituras comumente desenvolvidas pelo usuário na WEB
(DRACHSLER et al., 2008)
Sistemas de Recomendação 
Educacional (SRE)
Aplicações de SRE disponíveis (BUDER; SCHWIND, 2012):
- Recomendação de sequências de navegação – Usuário recebe um roteiro de navegação a 
partir do registro feito de usuários que tiveram sucesso;
- Recomendação de outras pessoas com o mesmo interesse de estudo – Usuário recebe a 
indicação de outros indivíduos que apresentam similaridade de dificuldades, interesse, etc;
- Sugestão de leitura complementar – Dado determinado curso, ouconteúdo trabalhado em 
uma lista de exercícios, o SRE recomenda ao usuário exercícios correlatos e conteúdos 
aderentes à temática em trabalho.
Aplicações
Ruipérez- Valiente et al. (2015). Aplicação de LA e SRE no KHAN Academy
Aplicações de AIEd
• Detecção automática de dislexia pela técnica de 
Eye-Tracking (empresa Lexplore)
• Diagnóstico de Transtorno de Déficit de Atenção 
(TDAH)
• Monitoramento em tempo real de alunos
• Personalização de itinerários didáticos
• Recomendação de pares de estudantes
• Predição de evasão
Reconhecimento de emoções
Soluções de destaque
• IBM's Watson Classroom 
• ALEKS
• SQUIRREL
• ALO7
Watson Classroom
ALEKS
SQUIRREL
ALO7
Aprendizado Adaptativo
– Jin et al. (2019) apresentam um framework chamado de CEP (Complex 
Event Processing) para um sistema com linguagem de aprendizado 
adaptativo. 
– Normadhi et al. (2019) apresentam a técnica “Adaptive Learning”, com 
quatro modelos, a saber: 
• Modelo de aluno; 
• Modelo de domínio; 
• Metodologia de adaptação; 
• modelos de instrução. sendo apresentado algumas regras operacionais (RO): 
– RO1– Identificar os traços pessoais mais comuns usados no modelo de aluno.
– RO2 – Determinar as mais comuns técnicas aplicadas na identificação de atributos em perfis (traços) 
pessoais. 
– RO3– Investigar as dúvidas no ambiente de aprendizagem adaptativa
Modelagem de Estudantes
– Em Xie et al. (2018) é feito uma mineração complexa de padrões em 
frequências temporais e regras de associação de dados acadêmicos.
– Em Yago et al. (2018) apresenta a proposta do ON-SMMILE, uma 
ferramenta centrada no estudante que modela o perfil de estudantes 
de forma flexível como uma rede de ontologias combinando 
informações relacionadas a: 
(i) Estudantes e seus estados de conhecimento, 
(ii) avaliações que dependem de rascunhos e diferentes tipos de objetivos, 
(iii) unidades de aprendizagem e 
(iv) informações de recursos previamente empregados como suporte a modelos de 
estudante dentro de um ambiente de inteligência virtual para treinamento/instrução 
e extensão.
Sistemas Multiagentes
• Sistemas MultiAgentes (SMA) na Educação
– percepção, tomada de decisão e ação;
– A evolução de sistemas multi-agentes na 
educação se apresenta como grande 
oportunidade, estes são capazes de contribuir 
para gerenciar e organizar informações, tarefas e 
permitir tomar importantes decisões a favor de 
seus usuários (El-Gamal et al., 2016). 
Análise de Dados (Ferramentas)
• Ingestão
– Ex. Apache Kafka (Pipiline Streams)
• Armazenamento
– Ex. SGBDs, Banco de Dados NoSQL 
(MongoDB)
• Processamento
– Ex. Apache Spark / Databricks 
(ambiente em nuvem)
Ferramentas de BI e Linguagens
Nuvem Linguagens Ferramentas
Adaptive Learning
– Sistemas que permitem que os interagentes 
(alunos) possam ter experiências de interação 
personalizadas, de acordo com sua condição 
cognitiva, perfil de exploração do usuário etc.
– Estes sistemas, para poder oferecer os melhores 
direcionamentos, demandam conhecer o usuário 
por meio de recolhimento de dados de forma 
implícita (logs, registros) ou explícita 
(questionários, quizzes etc.)
Adaptive Learning
• Estes sistemas, geralmente, são modularizados em 
componentes separados ou “modelos”. Alguns 
modelos são:
– Modelo especialista
• Um modelo com a informação na qual tem-se uma meta a 
alcançar.
– Modelo estudante
• Um modelo que busca aprender o perfil do estudante.
– Modelo Instrucional
• Um modelo no qual emite informações atualizadas.
– Ambiente Instrucional
• Define as interfaces do usuário para a interação com o sistema
Pesquisas
• Journals:
– International Journal of Artificial Intelligence in 
Education
– Computers and Education
– Computers and Human Behavior
– Educational Data Mining
• Palavras-chave: educational data mining, adaptive 
learning, recommender system for educational, 
learning analytics, predicting student performance 
… 
Potenciais
• Aplicação de avaliações de forma contínua, com 
impacto no grau de resolutividade dos problemas;
• Conhecer e respeitar o contexto e perfil de cada 
estudante, pode auxiliar na construção de uma 
aprendizagem significativa;
• Impacto no desenvolvimento cognitivo;
• Impacto no ensino
• Promoção de novas oportunidades pedagógicas
• Reformulação do papel da educação na sociedade
• Liberação de tempo do professor para que este se 
dedique mais à interação com o grupo de alunos
Desafios
1. Clareza quanto à definição de uma política pública 
sustentável;
2. Inclusão democrática na sociedade desta tecnologia;
3. Preparação de professores não só para o uso, como 
também para o desenvolvimento de recursos;
4. Utilização ética, transparente e segura de dados;
5. Existência de vieses nos modelos;
6. Massificação de processos em escala global, eliminando a 
condição criativa das pessoas para a resolução de 
problemas
7. Baixa profundidade das atividades (número limitado de 
atividades/questões)
Considerações Finais
• IA na educação é uma forte tendência mundial
– Requer muita pesquisa e análise crítica sobre seus benefícios e 
malefícios
• Necessário que a sociedade compreenda suas implicações e 
participe do devido debate para que sua implantação 
priorize o bem comum da sociedade
• Nosso país não pode ser, novamente um consumidor de 
tecnologia, institutos de pesquisa, universidades e 
educadores de nosso país devem construir nossas próprias 
ferramentas, afeitas a nosso contexto sócio-cultural
• A IA não fará com que os professores sejam descartados. 
Porém, transformações nas atividades que ora os docentes 
desenvolvem, deverão ocorrer.
Obrigado!!!
henrique@lme.ufc.br