Publicado em 22/07/2023

O uso e aplicações da inteligência artificial na educação

Introdução

A inteligência artificial (IA) é uma área da ciência da computação que busca criar máquinas e sistemas capazes de realizar tarefas que normalmente exigem inteligência humana, como reconhecer padrões, aprender, raciocinar, tomar decisões e resolver problemas. A IA tem avançado rapidamente nos últimos anos, graças ao desenvolvimento de novos algoritmos, ao aumento da capacidade de processamento e armazenamento de dados e à disponibilidade de grandes volumes de informação na internet.

A educação é um dos pilares fundamentais para o desenvolvimento humano e social, pois permite a formação de cidadãos críticos, criativos e colaborativos, capazes de enfrentar os desafios do século XXI. A educação também é um direito humano básico, reconhecido pela Declaração Universal dos Direitos Humanos e pela Agenda 2030 para o Desenvolvimento Sustentável. No entanto, a educação ainda enfrenta muitos problemas de qualidade, equidade e eficiência em diversos contextos e níveis.

Nesse cenário, surge a questão central deste artigo: como a IA pode contribuir para melhorar a qualidade e a eficiência da educação? A hipótese é que a IA pode oferecer soluções inovadoras e personalizadas para apoiar o processo de ensino-aprendizagem, tanto para alunos quanto para professores, ampliando as oportunidades educacionais e reduzindo as desigualdades. Para explorar essa questão, este artigo tem os seguintes objetivos: (1) revisar a literatura sobre a relação entre IA e educação; (2) apresentar as principais formas de aplicar a IA na educação; (3) analisar as vantagens, os desafios e as implicações da IA na educação; e (4) sugerir recomendações e direções para futuras pesquisas e práticas nessa área. A metodologia utilizada é a revisão bibliográfica, baseada em fontes acadêmicas e institucionais sobre o tema.

Revisão da literatura

A relação entre IA e educação não é nova. Desde os anos 1950, pesquisadores têm buscado desenvolver sistemas que possam simular ou auxiliar o processo de ensino-aprendizagem, utilizando técnicas como lógica, linguística, psicologia e pedagogia. Esses sistemas são conhecidos como sistemas de tutoria inteligente (STI), que são programas que adaptam o conteúdo e o ritmo de aprendizagem de acordo com as necessidades e o perfil de cada aluno. Os STI são considerados os precursores da IA na educação, pois representam uma forma de interação entre humanos e máquinas baseada em conhecimento.

No entanto, foi a partir dos anos 2000 que a IA na educação ganhou mais destaque e diversidade, graças ao surgimento de novas técnicas como aprendizado de máquina, mineração de dados, processamento de linguagem natural e visão computacional. Essas técnicas permitiram criar sistemas mais sofisticados e versáteis, capazes de lidar com grandes quantidades de dados, reconhecer padrões complexos, gerar conteúdo original e interagir com os usuários de forma mais natural e humana. Além dos STI, surgiram outras formas de aplicar a IA na educação, tais como sistemas de avaliação automatizada, sistemas de recomendação de recursos, sistemas de análise de dados educacionais e sistemas de geração de conteúdo.

A literatura sobre a IA na educação é vasta e multidisciplinar, envolvendo áreas como ciência da computação, educação, psicologia, sociologia e filosofia. Há diversos estudos que exploram os aspectos teóricos, conceituais, metodológicos e empíricos da interação entre IA e educação, buscando compreender as potencialidades, os desafios e as implicações dessa interação para o processo de ensino-aprendizagem.

Em geral, os estudos apontam que a IA pode trazer benefícios para a educação, tais como:

Melhorar a qualidade do ensino-aprendizagem: a IA pode oferecer conteúdos mais relevantes, atualizados e diversificados, adaptados ao nível, ao ritmo e ao estilo de aprendizagem de cada aluno, aumentando a motivação, o engajamento e o desempenho dos estudantes. A IA também pode fornecer feedback imediato e personalizado aos alunos e professores, facilitando a identificação de dificuldades, o reforço de conceitos e a avaliação de resultados.
Ampliar as oportunidades educacionais: a IA pode democratizar o acesso à educação, permitindo que mais pessoas possam aprender em qualquer lugar, a qualquer hora e com qualquer dispositivo. A IA também pode promover a inclusão educacional, atendendo às necessidades específicas de alunos com deficiências, dificuldades ou talentos especiais.
Otimizar os recursos educacionais: a IA pode reduzir os custos e o tempo envolvidos na educação, automatizando tarefas repetitivas, burocráticas ou complexas, como corrigir provas, elaborar planos de aula, gerenciar turmas e administrar sistemas. A IA também pode aumentar a eficiência e a produtividade da educação, melhorando a alocação e o uso dos recursos humanos, materiais e financeiros disponíveis.

No entanto, os estudos também apontam que a IA na educação apresenta desafios e limitações, tais como:

Garantir a qualidade e a confiabilidade dos sistemas de IA: a IA depende da qualidade e da quantidade dos dados utilizados para treinar os algoritmos, que podem conter erros, vieses ou inconsistências. Além disso, os sistemas de IA podem apresentar falhas, bugs ou vulnerabilidades que comprometem seu funcionamento ou sua segurança. Portanto, é preciso garantir que os sistemas de IA sejam validados, testados e monitorados constantemente, seguindo padrões éticos e técnicos rigorosos.
Preservar o papel humano na educação: a IA não pode substituir o papel do professor ou do aluno na educação, mas sim complementá-lo. O professor continua sendo essencial para orientar, motivar e inspirar os alunos, bem como para mediar as interações sociais e afetivas que ocorrem no ambiente educacional. O aluno continua sendo o protagonista do seu processo de aprendizagem, devendo exercer sua autonomia, sua criatividade e seu senso crítico. Portanto, é preciso encontrar um equilíbrio entre o uso da IA e o desenvolvimento das competências humanas na educação.
Considerar as implicações sociais e éticas da IA na educação: a IA pode gerar impactos positivos ou negativos na sociedade e na cultura, dependendo de como é usada e para quais fins. A IA pode promover a diversidade, a colaboração e a inovação na educação, mas também pode gerar exclusão, discriminação e manipulação. A IA pode respeitar a privacidade, a transparência e a autonomia dos usuários da educação, mas também pode violá-las. Portanto, é preciso discutir e definir os princípios e as normas que devem orientar o desenvolvimento e o uso da IA na educação.

Há vários exemplos de países e instituições que já utilizam a IA na educação, mostrando os resultados e as lições aprendidas com essa experiência. Por exemplo:

Na China , há um projeto chamado Squirrel AI Learning (https://www.squirrelai.com/), que é um sistema de tutoria inteligente que oferece cursos personalizados de matemática para alunos do ensino fundamental e médio. O sistema utiliza algoritmos de aprendizado de máquina para diagnosticar as lacunas de conhecimento dos alunos, recomendar conteúdos adequados ao seu nível e ritmo de aprendizagem e fornecer feedback em tempo real sobre seu progresso. O sistema também utiliza técnicas de gamificação para aumentar a motivação dos alunos. Segundo os criadores do projeto, o sistema já atendeu mais de 2 milhões de alunos em mais de 2 mil escolas na China🇨🇳 , melhorando significativamente seus resultados acadêmicos.
Na Índia , há um projeto chamado Mindspark (https://mindspark.in/), que é um sistema de tutoria inteligente que oferece cursos personalizados de matemática e inglês para alunos do ensino fundamental. O sistema utiliza algoritmos de aprendizado de máquina para adaptar o conteúdo e o ritmo de aprendizagem de acordo com as necessidades e o perfil de cada aluno, fornecendo feedback imediato e personalizado. O sistema também utiliza técnicas de gamificação e de aprendizagem social para aumentar o engajamento dos alunos. Segundo os criadores do projeto, o sistema já atendeu mais de 200 mil alunos em mais de 500 escolas na Índia🇮🇳 , reduzindo significativamente as lacunas de aprendizagem entre os alunos.
Nos Estados Unidos🇺🇸 , há um projeto chamado Gradescope (https://www.gradescope.com/), que é um sistema de avaliação automatizada que permite aos professores corrigir provas e trabalhos de forma rápida e precisa. O sistema utiliza algoritmos de processamento de linguagem natural e de visão computacional para reconhecer as respostas dos alunos, compará-las com um gabarito ou um modelo de resposta e atribuir notas e comentários. O sistema também permite aos professores analisar os dados das avaliações, identificando as tendências, as dificuldades e as oportunidades de melhoria dos alunos. Segundo os criadores do projeto, o sistema já é usado por mais de 4 milhões de alunos e 100 mil professores em mais de 100 países, economizando tempo e melhorando a qualidade das avaliações.

Esses exemplos mostram que a IA na educação é uma realidade em diversos contextos e níveis, mas também que há muito espaço para explorar novas possibilidades e desafios nessa área. Por isso, é importante identificar as lacunas e as oportunidades de pesquisa nessa área, tais como:

Desenvolver sistemas de IA mais adaptativos, interativos e criativos, que possam oferecer experiências educacionais mais ricas, diversificadas e personalizadas para os usuários.
Avaliar os impactos da IA na educação, tanto em termos quantitativos quanto qualitativos, considerando os aspectos cognitivos, afetivos, sociais e culturais envolvidos no processo de ensino-aprendizagem.
Investigar as melhores práticas para integrar a IA na educação, considerando os aspectos pedagógicos, tecnológicos e organizacionais que influenciam o sucesso ou o fracasso dessa integração.
Promover a formação e a conscientização dos usuários da educação sobre a IA, tanto para capacitá-los a usar os sistemas de IA de forma eficaz e ética, quanto para prepará-los para lidar com as mudanças que a IA pode trazer para o mercado de trabalho e para a sociedade.

Aplicações da IA na educação

Nesta seção, serão apresentadas as principais formas de aplicar a IA na educação, ilustrando cada uma delas com exemplos concretos. As formas são:

Sistemas de tutoria inteligente (STI): são programas que adaptam o conteúdo e o ritmo de aprendizagem de acordo com as necessidades e o perfil de cada aluno. Os STI podem ser divididos em dois tipos: (1) STI baseados em modelos: são aqueles que utilizam modelos explícitos do domínio do conhecimento, do aluno e do tutor para guiar a interação; (2) STI baseados em dados: são aqueles que utilizam técnicas de aprendizado de máquina para inferir os modelos a partir dos dados coletados durante a interação. Um exemplo de STI baseado em modelos é o Cognitive Tutor (https://www.carnegielearning.com/products/software-platform/cognitive-tutor-software/), que é um sistema que oferece cursos personalizados de matemática para alunos do ensino médio. O sistema utiliza modelos cognitivos baseados na teoria da aprendizagem por descoberta para representar o conhecimento dos alunos e dos tutores, bem como as estratégias pedagógicas adequadas para cada situação. Um exemplo de STI baseado em dados é o Knewton (https://www.knewton.com/), que é um sistema que oferece cursos personalizados de diversas disciplinas para alunos do ensino superior. O sistema utiliza técnicas de aprendizado profundo para analisar os dados dos alunos, dos conteúdos e das interações, gerando recomendações adaptativas para cada aluno.
Sistemas de avaliação automatizada (SAA): são programas que corrigem provas e trabalhos, fornecendo feedback imediato e personalizado aos alunos e professores. Os SAA podem ser divididos em dois tipos: (1) SAA baseados em regras: são aqueles que utilizam regras pré-definidas para avaliar as respostas dos alunos, comparando-as com um gabarito ou um modelo de resposta; (2) SAA baseados em dados: são aqueles que utilizam técnicas de aprendizado de máquina para avaliar as respostas dos alunos, aprendendo a partir de exemplos de respostas previamente avaliadas por humanos. Um exemplo de SAA baseado em regras é o WebAssign (https://webassign.com/), que é um sistema que oferece provas e trabalhos online de matemática, física e química para alunos do ensino superior. O sistema utiliza regras lógicas e matemáticas para corrigir as respostas dos alunos, fornecendo feedback instantâneo e detalhado. Um exemplo de SAA baseado em dados é o E-rater (https://www.ets.org/erater), que é um sistema que avalia a qualidade da escrita dos alunos, considerando aspectos como gramática, vocabulário, organização e coerência. O sistema utiliza técnicas de processamento de linguagem natural para analisar as respostas dos alunos, aprendendo a partir de exemplos de textos previamente avaliados por humanos.
Sistemas de recomendação de recursos (SRR): são programas que sugerem materiais didáticos, cursos, livros, vídeos e outros recursos de acordo com os interesses e objetivos dos alunos. Os SRR podem ser divididos em dois tipos: (1) SRR baseados em conteúdo: são aqueles que utilizam características dos recursos e dos usuários para gerar recomendações; (2) SRR baseados em colaboração: são aqueles que utilizam as preferências ou o comportamento dos usuários para gerar recomendações. Um exemplo de SRR baseado em conteúdo é o Khan Academy (https://www.khanacademy.org/), que é um sistema que oferece cursos online gratuitos de diversas disciplinas para alunos de todos os níveis. O sistema utiliza características dos conteúdos e dos alunos para sugerir os cursos mais adequados para cada aluno, levando em conta seu nível, seu ritmo e seu histórico de aprendizagem. Um exemplo de SRR baseado em colaboração é o Coursera (https://www.coursera.org/), que é um sistema que oferece cursos online gratuitos ou pagos de diversas áreas do conhecimento para alunos do ensino superior. O sistema utiliza as preferências ou o comportamento dos alunos para sugerir os cursos mais relevantes para cada aluno, levando em conta sua área de interesse, seu objetivo profissional ou acadêmico e sua avaliação dos cursos anteriores.
Sistemas de análise de dados educacionais (SADE): são programas que coletam, processam e visualizam dados sobre o desempenho, o comportamento e as emoções dos alunos, gerando insights para melhorar o processo de ensino-aprendizagem. Os SADE podem ser divididos em dois tipos: (1) SADE descritivos: são aqueles que descrevem o que aconteceu no processo de ensino-aprendizagem, utilizando técnicas como estatística descritiva, visualização de dados e mineração de dados; (2) SADE preditivos: são aqueles que preveem o que pode acontecer no processo de ensino-aprendizagem, utilizando técnicas como aprendizado de máquina, mineração de dados e modelagem matemática. Um exemplo de SADE descritivo é o Google Classroom (https://classroom.google.com/), que é um sistema que permite aos professores criar e gerenciar turmas online, compartilhando conteúdos, atividades e comunicações com os alunos. O sistema coleta e apresenta dados sobre o desempenho e o comportamento dos alunos nas turmas online, como notas, frequência, participação e interação. Um exemplo de SADE preditivo é o Dropout Detective (https://www.dropoutdetective.com/), que é um sistema que identifica e previne a evasão escolar dos alunos do ensino superior. O sistema utiliza algoritmos de aprendizado de máquina para analisar os dados dos alunos nos sistemas acadêmicos, como notas, frequência, engajamento e satisfação. O sistema gera alertas e recomendações para os professores e os gestores sobre os alunos em risco de evasão, bem como para os próprios alunos sobre as ações que podem tomar para melhorar seu desempenho e sua permanência.
Sistemas de geração de conteúdo (SGC): são programas que criam textos, imagens, áudios, vídeos e outros conteúdos educacionais a partir de dados ou instruções fornecidos pelos usuários. Os SGC podem ser divididos em dois tipos: (1) SGC baseados em regras: são aqueles que utilizam regras pré-definidas para gerar conteúdos, seguindo uma estrutura ou um formato específico; (2) SGC baseados em dados: são aqueles que utilizam técnicas de aprendizado de máquina para gerar conteúdos, aprendendo a partir de exemplos de conteúdos existentes. Um exemplo de SGC baseado em regras é o Wolfram Alpha (https://www.wolframalpha.com/), que é um sistema que gera respostas e gráficos para perguntas sobre diversos temas, como matemática, ciência, história e cultura. O sistema utiliza regras lógicas e matemáticas para processar as perguntas dos usuários, buscando os dados relevantes em uma base de conhecimento própria ou na internet. Um exemplo de SGC baseado em dados é o GPT-3 (https://openai.com/blog/openai-api/), que é um sistema que gera textos sobre qualquer tema, a partir de uma palavra-chave, uma frase ou um texto inicial fornecido pelo usuário. O sistema utiliza técnicas de aprendizado profundo para analisar os textos fornecidos pelo usuário, gerando textos coerentes e relevantes, baseados em bilhões de textos existentes na internet.

Conclusão

Neste artigo, foi abordado o tema do uso e das aplicações da IA na educação, buscando responder à questão: como a IA pode contribuir para melhorar a qualidade e a eficiência da educação? A partir da revisão da literatura e da apresentação das principais formas de aplicar a IA na educação, foi possível concluir que a IA pode oferecer soluções inovadoras e personalizadas para apoiar o processo de ensino-aprendizagem, tanto para alunos quanto para professores, ampliando as oportunidades educacionais e reduzindo as desigualdades. No entanto, também foi possível concluir que a IA na educação apresenta desafios e limitações, tais como garantir a qualidade e a confiabilidade dos sistemas de IA, preservar o papel humano na educação e considerar as implicações sociais e éticas da IA na educação.

Diante disso, foram sugeridas algumas recomendações e direções para futuras pesquisas e práticas nessa área, tais como:

Desenvolver sistemas de IA mais adaptativos, interativos e criativos, que possam oferecer experiências educacionais mais ricas, diversificadas e personalizadas para os usuários.
Avaliar os impactos da IA na educação, tanto em termos quantitativos quanto qualitativos, considerando os aspectos cognitivos, afetivos, sociais e culturais envolvidos no processo de ensino-aprendizagem.
Investigar as melhores práticas para integrar a IA na educação, considerando os aspectos pedagógicos, tecnológicos e organizacionais que influenciam o sucesso ou o fracasso dessa integração.
Promover a formação e a conscientização dos usuários da educação sobre a IA, tanto para capacitá-los a usar os sistemas de IA de forma eficaz e ética, quanto para prepará-los para lidar com as mudanças que a IA pode trazer para o mercado de trabalho e para a sociedade.

Acredita-se que a IA na educação é uma oportunidade única para transformar a forma como ensinamos e aprendemos, mas também uma responsabilidade compartilhada entre todos os envolvidos nesse processo. Por isso, é preciso buscar uma interação entre humanos e máquinas que seja ética, humana e colaborativa.