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