Em que medida sistemas educacionais computacionais estão mudando a educação?
A inteligência artificial é a chave para a educação personalizada?
O especialista em Inteligência Artificial (IA), Joseph Qualls, acredita que IA vai mudar a forma como as pessoas aprendem. Mas também levanta alguns problemas… Como o objetivo deste texto é discutir a interseção da IA e da Educação, cabe falar um pouco da IA. O termo Inteligência Artificial foi criado por J. McCarthy (2017), um dos fundadores da IA. Do ponto de vista simbólico, a IA pode ser definida como a arte de se construir algoritmos que se adaptam e aprendam, com a finalidade de prolongar o seu ciclo de vida. Ao longo dos anos, a IA e a Computação vêm impactando a educação, vêm mudando vários aspectos da educação. A Educação a Distância (EAD) é fortemente baseada nestas aplicações, bem como a educação ao longo da vida, por meio do uso de Massive Open Online Course ( MOOC) e plataformas similares. Mas as mudanças são mais significativas quando os sistemas computacionais utilizam tecnologias da IA (Inteligência Artificial) em seu desenvolvimento. A IA possibilita o ensino personalizado, ou seja, de acordo com as necessidades e habilidades de cada aluno, por intermédio dos Sistemas Tutores Inteligentes (STI), como são tradicionalmente chamados estes sistemas computacionais. A IA também possibilita a geração automática de livros personalizados, cujos temas são comuns para um grupo de estudantes, mas a forma e a complexidade com que são apresentados depende do perfil de aprendizagem de cada aluno. Ainda, sistemas que utilizam IA em seu desenvolvimento têm contribuído na automação escolar e ajudam a manter registro da presença dos alunos, dos conteúdos abordados em cada dia e também corrigem automaticamente textos escritos pelos alunos. A automação dessas atividades (essay-grading) ajuda a liberar os professores para que possam se dedicar mais ao ensino.
Objetivos Educacionais:
- identificar as possibilidade do uso de tecnologias da IA em sistemas Educacionais;
- conhecer as tecnologias mais utilizadas no desenvolvimento de sistemas educacionais que utilizam IA;
- conhecer quais são as principais pesquisas internacionais e nacionais desenvolvidas nesta área.
Índice:
- 1. IA e Educação
- 2. Exemplificando IA aplicada a sistemas educacionais: Sistemas Inteligentes de Ensino/Aprendizagem
- 3. O “estado da arte” sobre IA aplicada ao campo educacional
- 4. Panorama do Brasil
- 5. A tecnologia e o mercado de trabalho
- 6. O futuro da tecnologia e os sistemas educacionais
- 7. Utopia ou Distopia?
- Resumo
- Leituras Recomendadas
- Exercícios
- Referências
- Sobre a Autora
- Como citar este capítulo
- Comentários
1. IA e Educação
A Inteligência Artificial na Educação completou 25 anos de existência em 2016. Nesses 25 anos ocorreram avanços no sentido de se passar da teoria das pesquisas acadêmicas para a prática nas escolas. Como se trata de uma área multi e interdisciplinar, seu desenvolvimento depende muito ainda dos avanços em outras áreas.
Multi e Inter-disciplinar
Multidisciplinar significa reunir várias disciplinas em busca de um objetivo final.
Interdisciplinar é um adjetivo que qualifica o que é comum a duas ou mais disciplinas ou outros ramos do conhecimento. É o processo de ligação entre as disciplinas.
Atualmente, uma das áreas de maior aplicação da educação em software educacional ao nível internacional é a aprendizagem colaborativa, principalmente em Learning Management Systems (LMS) e em diferentes tipos de jogos educacionais. A aprendizagem colaborativa, em parte entendida como Computação e IA aplicada à Educação, trata de como os alunos podem colaborar, por meio de sistemas computacionais, para a solução de problemas. Ou seja, contempla as ferramentas que possibilitam colaboração em ambientes virtuais.
A IA aplicada aos sistemas educacionais está voltada para o ensino personalizado (contrapondo o ensino colaborativo) e tem sua maior aplicação nos Sistemas Tutores Inteligentes (STI) (SELF, 1990; GLUZ et al., 2013), dentre outros. Recentemente, aplicações da IA na educação se fazem presentes também na chamada aprendizagem ativa (active learning) e suas implementações, como acontece na proposta “sala de aula invertida” e nos “Fab labs”.
No momento, em 2018, o uso de tecnologias na escola está vinculado diretamente a três diferentes realidades tecnológicas subjacentes à IA, que juntas mudaram o perfil do uso das tecnologias educacionais: redes sem fio (Internet Wi-Fi), tecnologias móveis (celular e tablet) e armazenamento de conteúdos em nuvens. Todas elas influenciam a IA, pois é difícil pensar tecnologias educacionais desvinculadas destes avanços da Computação e da Comunicação. Elas mudaram o panorama do software e do conteúdo educacional. Ainda, tornaram possível o compartilhamento de grandes bases de conteúdos e de dados, por meio do uso de buscadores inteligentes que podem utilizar a busca semântica, ou seja, baseada no significado. Mas é oportuno lembrar uma citação do relatório Students Computers and Learning, da Organization for Economic Co-operation and Development (OECD, 2015, p. 17) que afirma: “as tecnologias podem ampliar um ensino de alta qualidade, mas uma tecnologia de alta qualidade não pode substituir um ensino pobre”.
O principal objetivo deste capítulo é o de apresentar uma visão da IA na Educação, considerando-se o cenário internacional e do Brasil, em particular, além de sugerir leituras e vídeos em que você poderá obter mais informações sobre o tema. Como a área é ampla e como são muitas as tecnologias da IA que podem ser empregadas para o desenvolvimento de sistemas educacionais, e cada uma possui bases diferenciadas (matemáticas, biológicas, filosóficas, psicológicas e na neurociências, por exemplo), é difícil fazer uma abordagem prática neste texto que é apenas uma introdução ao tema. Desta forma, para alcançar este objetivo, será utilizado o método científico de revisão bibliográfica baseada em temas apontados por publicações recentes, mas também serão utilizados métodos de prospecção de quebra de paradigmas, principalmente para a seção de conclusões. Para a prospecção, a metodologia nem sempre é sistemática. Ou seja, as fontes podem ser relatórios internos de empresas, sites de consultores internacionais e posicionamentos de estudiosos de história da ciência.
A justificativa para este texto está no impacto que as tecnologias vêm realizando no contexto educacional, mas também nas mudanças que elas vêm causando no mercado de trabalho que vocês alunos irão encontrar em curto e médio prazo.
Inteligência Artificial e a sala de aula
Como introdução ao tema, você pode assistir também ao vídeo “Old school no more: AI disrupts the classroom (2:44s)”, que mostra, de forma simples, como a IA pode ser incorporada em sistemas educacionais. No vídeo é possível ver as várias aplicações que a IA pode ter no desenvolvimento de sistemas educacionais:
Este capítulo poderia ser escrito de várias formas, como, por exemplo, apresentando uma quantidade de software livre que utilize IA na sua construção e que pode ser utilizado com propósitos educacionais. Poderia ainda debater as linguagens de programação utilizadas no seu desenvolvimento e explicar as técnicas de IA utilizadas em cada um, visto que este texto destina-se a estudantes de graduação. Mas este tipo de informação, cada um dos estudantes pode obter em artigos científicos publicados por seus desenvolvedores. Ainda, em alguns casos, seria necessário dar explicações complexas de áreas da IA como representação do conhecimento, aprendizagem de máquina (machine learning), reconhecimento de padrões, etc. Só para este fim já se teria um livro, e não um capítulo. Portanto, a opção foi a de trazer um texto que permita mostrar o estado atual da IA na Educação, as áreas que despontam como potências para mudanças significativas e fazer isso por meio do uso de uma metodologia científica de pesquisa.
A Figura a seguir ilustra a complexidade dos temas que serão trados neste texto, pois envolve máquinas e pessoas, ambas aprendendo.
Quem irá educar a próxima geração humana?
2. Exemplificando IA aplicada a sistemas educacionais: Sistemas Inteligentes de Ensino/Aprendizagem
A personalização é a chave dos sistemas educacionais inteligentes atuais. Ela acontece por meio do modelo do aluno (ANDERSON, 2013). O modelo do aluno contém informações a respeito do aluno: como ele aprende sobre seu estado emocional ou sobre seu conhecimento a respeito do assunto que está sendo abordado (modelo cognitivo), suas preferências (perfil de aprendizagem), seu desempenho em atividades educacionais e traços de sua personalidade, por exemplo. Não necessariamente todas estas ou apenas estas informações costumam estar presentes no modelo do aluno. Em alguns casos, esse modelo contém apenas informações sobre como um aluno está resolvendo um determinado problema em uma situação de ensino/aprendizagem. Neste caso, o modelo possui o estado cognitivo do aluno e também representa o processo que o aluno está utilizando para buscar a solução do problema. O quanto de informação é necessário o modelo conter depende da finalidade do sistema de ensino/aprendizagem. A qualidade dessas informações vai contribuir para estabelecer a inteligência do sistema computacional.
Para exemplificar, utilizaremos o tutor Heráclito (GALAFASSI et al, 2017), que tem por objetivo servir de apoio ao conteúdo estudado em Lógica de Primeira Ordem. Ele auxilia alunos a resolverem exercícios utilizando as regras de reescrita para realizar a prova das sentenças. A arquitetura do sistema é composta por: interface com o aluno, modelo do aluno (para quem ensinar), conhecimento especialista (o que ensinar) e as estratégias pedagógicas (como ensinar). Como o sistema Heráclito utiliza mais de uma forma de representação do conhecimento na sua construção, cada uma possui o seu modelo de inferência associado, ou seja, como as informações e as regras são combinadas para gerar uma ação do Heráclito. Uma visão geral da interface do sistema pode ser vista na Figura a seguir.
Tela do Editor de Provas do Ambiente Heráclito
A Figura apresenta a interface do Heráclito em uma situação de oferta de ajuda para o aluno (na cor azul). A oferta de ajuda é uma estratégia de ensino/aprendizagem. Nela vemos o editor de provas, que é a interface entre o sistema e o aluno. Por meio desse editor, o aluno escreve as regras de derivação para uma prova (linhas 1 e 2 na parte direita superior da figura). Na parte cinza aparece o exercício a ser solucionado (~A->(B->C), ~A,B |- C). O exercício e as regras de inferência constituem o conteúdo pedagógico do Heráclito, ou seja, “o que ensinar”.
No lado esquerdo superior podem-se ver as regras de inferência que podem ser utilizadas nas diferentes provas. Na parte inferior pode-se constatar o feedback oferecido para o aluno. O feedback contempla as estratégias pedagógicas adotas no Heráclito.
Do ponto de vista da IA, o modelo do aluno pode ser construído utilizando-se qualquer meio de representação do conhecimento (regras de produção, redes neurais, redes bayesianas, etc.). Por exemplo, o tutor Heráclito modela o conhecimento do aluno e o processo que ele utiliza para resolver problemas de Lógica de Primeira Ordem, por meio de redes bayesianas. Você pode ver o modelo na Figura a seguir.
Modelo de Inferência do Ambiente Heráclito
Na Figura da rede, você pode identificar algumas das variáveis utilizadas para representar o modelo do aluno sobre o tema Lógica de Primeira Ordem e também o peso probabilístico atribuído a cada uma delas. As variáveis representam informações (evidências) e as probabilidades atribuídas a priori para cada uma. Por exemplo, o fato de o aluno ter solicitado a ajuda do tutor para a solução de uma determinada etapa da prova vai ter um impacto na medida de seu conhecimento, sobre o tema, correspondente a 0,7. Na tabela inferior, pode-se observar como as probabilidades dos nodos da rede (as variáveis) influenciam umas nas outras (distribuição e propagação das probabilidades). Em uma rede Bayesiana, as probabilidades se propagam do nodo pai para o nodo filho.
Para construir a rede, foi utilizado o UnBBayes. A teoria que suporta as redes bayesianas é complexa e, portanto, seria inadequado explicar, neste texto, detalhes da sua construção e do sistema de inferência (que já vem programado no software/tool). Quando uma rede é compilada, o UnBBayes obtém as informações necessárias para o posterior processamento dessa rede, conforme as informações (evidências) forem completando as variáveis. Se você estiver interessado, o link do UnBBayes oferece mais informações sobre a construção de redes bayesianas.
A grande maioria dos sistemas educacionais possui também um conjunto de conteúdos que serão utilizados nas situações de aprendizagem. Em muitos casos, esse conteúdo está em um banco de dados, representado por intermédio dos mesmos mecanismos utilizados para implementar o modelo do aluno, ou é gerado automaticamente, a partir de regras predefinidas. Regras predefinidas são muito adequadas para o ensino da matemática ou da linguagem. Nesses dois casos, o conteúdo pode ser gerado automaticamente pelo sistema. No caso do Heráclito, as regras de derivação da lógica de primeira ordem estão representadas por meio de regras de produção (Se-Então), programadas na linguagem de programação mais tradicional da IA, o Prolog (Prolog – Programação em Lógica, linguagem criada no final da década de 70).
ATIVIDADE: Defina Sistema Tutores Inteligentes e Assistentes Pessoais de Aprendizagem
Procure as definições de Sistemas Tutores Inteligentes e Assistentes Pessoais de Aprendizagem. O Objetivo é complementar com maior detalhe os conceitos apresentados neste capítulo.
Como você pode perceber, em um sistema de IA podem ser utilizadas diferentes formas de representação do conhecimento. Cada forma tem seu sistema de inferência próprio. Por exemplo, a aplicação da regra da Adição pode ser vista na Figura a seguir:
As regras de inferência da Lógica de Predicados de Primeira Ordem aparecem na interface do Heráclito (como pode ser visto na Figura que o apresenta). Elas constituem o conteúdo a ser estudado pelo aluno. Para que o aluno se exercite neste conteúdo, são apresentados exercícios.
O modelo do aluno e o conteúdo já representam grande parte de um sistema de ensino/aprendizagem que utiliza IA no seu desenvolvimento, ou seja, já é possível saber para quem será ensinado e o que será ensinado. A sua inteligência vai depender da qualidade das informações que se tem nesses dois modelos e de como elas serão combinadas (sistema de inferência) para serem apresentadas de acordo com as necessidades de cada aluno. Aqui entram em cena as estratégias de ensino/aprendizagem que serão utilizadas no projeto do sistema (como ensinar). Estas estratégias são oriundas da Educação e da Psicologia educacional. Os modelos mais utilizados são o construtivismo, ensino significativo, sócio-interacionismo, etc. Estratégias que sigam algum desses modelos pedagógicos, ou outros, também são implementadas de diferentes formas, como, por exemplo, por meio de regras de produção, como é o caso do Heráclito, de ontologias, etc. O Heráclito utiliza estratégias como, por exemplo, mensagens de incentivo, mensagens de oferta de ajuda e mensagens que apontam falhas, informações sobre o estado da prova, dentre outras.
Estes são os principais componentes que podem agregar inteligência aos sistemas educacionais, dependendo de como serão implementados. Posto isso, na Seção 3 voltaremos para o estudo bibliográfico que apresenta o “estado da arte” destas inúmeras aplicações da IA na Educação.
Ainda, o modelo do aluno pode ser utilizado também para a geração automática de livros didáticos personalizados, os SmartBooks, que serão customizados de acordo com o conhecimento e perfil de cada aluno. Por exemplo, de acordo com o estilo de aprendizagem de um aluno, o livro pode trazer um mesmo conteúdo visual, baseado em definições formais, ou em exemplos, etc.
Na mesma linha do uso de STI, mais de 25 escolas da Suécia estão adotando o Education Albert, uma solução de aprendizado que usa algoritmos de Machine Learning para apoiar o tutor de matemática a oferecer aulas personalizadas aos alunos. Esses tutores são similares ao MathIA (este Tutor Inteligente – ver no quadro a seguir) e Thikster (ensino de matemática) e Alelo (ensino de línguas) utilizados nos EUA e também nos demais países de língua inglesa. Ou seja, estes software exemplificam as tendências para o ensino personalizado. O MathIA possui um modelo do aluno com informações sobre o conhecimento do aluno no assunto (operações matemáticas básicas) e gera seus exemplos (conteúdo) de forma automática de acordo com o desempenho de cada aluno.
MathIA
Inteligência Artificial na Educação
Outro exemplo é o da escola de Frederiksvaerk na Dinamarca, onde professores e alunos estão entusiasmados com o uso do SmartBook, que, apesar do nome, trata-se de um STI, que se adapta aos caminhos individuais de aprendizagem dos alunos do ensino fundamental. O processo de adaptação é feito com base na compreensão de textos escritos, após a realização de cada tarefa. O tutor “SmartBook” já aponta para a tendência de integração de tecnologias que foi discutida neste texto com a proposta dos “ecossistemas” educacionais. Em princípio, um SmartBook seria apenas um livro adaptado às necessidades de cada aluno. Mas, nesta aplicação, em particular, trata-se de um livro dinâmico, conectado e personalizado que vai sendo construído de acordo com o desempenho do aluno, em tempo real.
CINECLUBE: Ex Machina (2015)
(Disponível no YouTube)3. O “estado da arte” sobre IA aplicada ao campo educacional
Para falar sobre a tecnologia, é possível seguir diversos caminhos: o da quebra de paradigmas (como já aconteceu várias vezes, na história da computação e da tecnologia em geral); seguir o modelo de olhar para onde as pesquisas atuais estão apontando (revisão sistemática da literatura); e o modelo apocalíptico. Neste texto, o foco metodológico prioritário será o modelo clássico de olhar para onde os artigos e as patentes estão apontando.
Com isso é esperado apontar os caminhos que a IA aplicada ao campo educacional vem seguindo e também mudanças que as tecnologias da Computação e da IA, em particular, vêm realizado no dia a dia das pessoas e, consequentemente, no mercado de trabalho dos estudantes de hoje.
Para a revisão bibliográfica (artigos, anais de congressos, teses e dissertações) e para a busca nas bases de patentes, utilizei as cinco primeiras etapas das sete recomendadas por Cochrane (2017), são elas:
- Localização e seleção dos documentos alvo do estudo;
- Coleta de dados;
- Análise e apresentação dos dados;
- Interpretação dos dados;
- Avaliação crítica dos resultados alvos do estudo.
As duas últimas etapas, dentre as sete da metodologia propostas por Cochrane (2017), não serão realizadas, pois tratam da necessidade contínua da atualização da revisão bibliográfica em trabalhos de logo prazo, como teses de doutorado.
Localização e Seleção dos Documentos Alvo do Estudo
Para a realização desta etapa, foram selecionadas duas bases de patentes:
- USTPO (United States Patent and Trademark Office) dos EUA (Estados Unidos da América), e;
- INPI (Instituto Nacional de Propriedade Industrial) do Brasil.
Os motivos da seleção destas bases são devido ao fato de que a USTPO registra patentes de todo o mundo, não apenas dos EUA. Já a INPI se refere ao Brasil, que também será estudado neste texto.
Duas bases internacionais de artigos científicos:
- Scopus, da editora Elsevier que é uma das maiores bases de indexação de artigos e livros científicos revisados por pares e;
- Web of Science (WOS), que segue o mesmo modelo da anterior.
O motivo da seleção destas duas bases está relacionado ao fato de se buscar a abrangência da publicação científica num maior número de países.
Uma base internacional de teses e dissertações:
- NDLTD (Networked Digital Library of Thesis and Dissertations), que inclui o IBICT (Instituto Brasileiro de Informação em Ciência e Tecnologia) do Brasil. A NDLTD pretende ser uma base internacional de registro de teses e dissertações, embora sua abrangência possa ser questionada.
Seleção das palavras-chave
As palavras-chave selecionadas para a pesquisa são oriundas dos termos mais utilizados em conferências e periódicos relevantes para as áreas desta pesquisa, de acordo com a classificação da Capes (Coordenação de Aperfeiçoamento de Pessoal de Nível Superior), são elas: Computer and Education, Artificial Intelligence and Education e o congresso Intelligent Tutoring Systems. Como você pode ver, quando se realiza uma pesquisa é preciso adotar critérios para a seleção dos termos para a busca.
A partir da análise qualitativa das publicações nestes veículos, foram definidos os termos para a busca, da seguinte maneira: análise de todas as publicações dos três veículos nos últimos três anos, o que permitiu identificar os temas recorrentes e as palavras-chave mais utilizadas para classificar os artigos. As palavras-chave utilizadas pelos autores foram bem variadas, mesmo assim foi possível constatar a predominância de temas e tecnologias, tanto no que se refere às bases de artigos científicos, de teses e dissertações, quanto às bases de patentes. São elas:
- Education AND Artificial Intelligence: Inteligência Artificial aplicada à Educação é uma chave interdisciplinar. O foco desta pesquisa está no uso da IA em sistemas de ensino e a aprendizagem;
- Affectivity/Emotion: Sistemas que reconhecem as emoções dos alunos ou geram emoções para o tutor interagir de forma afetiva com o aluno;
- Education AND Natural Language Processing: Processamento de Língua Natural contempla a geração e compreensão automática de línguas humanas naturais. O Processamento de Língua Natural na educação trata, basicamente, da aplicação do Processamento de Língua Natural em interfaces educacionais que permite a tradução simultânea.
Processamento de Língua Natural
Neste texto a opção foi a de continuar a utilização da tradução Processamento de Língua Natural e não linguagem, pois linguagem envolve várias componentes, dentre elas a corporal. Embora as máquinas já consigam detectar os movimentos corporais, não existe, ainda, uma interpretação computacional para eles.
Devido a esta diversidade de termos utilizados pelos autores para a classificação dos seus trabalhos, os resultados encontrados para cada um deles foram agrupados de acordo com a palavra-chave mais específica (buscando a granularidade). Ou seja, o objetivo principal não foi o de obter técnicas ou metodologias de construção de sistemas educacionais, nem o de focar em determinada aplicação, em particular, como, por exemplo, STI, Assistentes Pessoais de Aprendizagem, Jogos Educacionais, etc.
O termo genérico IA e Educação permite constatar o “tamanho da área” se comparada com a IA, em geral, por exemplo.
A área de Afetividade/Emoções (ORTONY; CLORE; COLLINS, 1988) bem como a de Processamento de Língua Natural (PLN) são transversais a praticamente todas as aplicações recentes da IA na educação, como, por exemplo, robótica educacional (BENITTI, 2012), interfaces educacionais para qualquer tipo de sistemas, jogos educacionais, STI, Learning Manegment Systems (LMS) e para as plataformas de Massive Open Online Systems (MOOC) (TABAA; MEDOURI, 2013). Estes foram os motivos do recorte. Os sistemas que utilizam estados Afetivos/Emocionais detectam ou expressam emoções e podem reconhecer estados afetivos como alegria, tristeza, frustração, desânimo, humor, etc. Esses sistemas são desenvolvidos utilizando-se de várias tecnologias da IA, como a representação do conhecimento e/ou reconhecimento de padrões (muitos utilizam visão computacional, como você poderá testar nos exercícios deste Capítulo). Atualmente, esta tecnologia permite que robôs possam captar e transmitir emoções. A tendência na educação é que essa tecnologia possibilitará que as máquinas captem e traduzam os diferentes estados afetivos dos alunos e utilizem essas informações para personalizar o seu processo de aprendizagem. Ainda, os sistemas computacionais podem gerar emoções para a sua comunicação com os alunos. Sistemas Tutoriais Inteligentes Afetivos já utilizam essa tecnologia, embora ainda em estágio experimental (para mais informações, ver em PAT MATh2).
ATIVIDADE: visite sites de sistemas educacionais desenvolvidos no Brasil
Visite as páginas dos sistemas educacionais desenvolvidos por empresas e centros de pesquisa do Brasil, como, por exemplo, PAT MATh2, Heráclito, Coppla, Meu Tutor, FEB, Experter. O Objetivo é o de conhecer um pouco do que se realiza no Brasil.
O Processamento de Língua Natural (PLN) é um dos temas que surgiu com a IA e, embora tenha ficado latente durante vários anos, ressurgiu com força, nos últimos anos, graças a dois fatores: o poder computacional das máquinas atuais e dos produtos e serviços de empresas (Google, IBM, Skype, Nuance, entre outras). O PLN trata da compreensão da língua escrita e falada, da tradução e da geração da língua (falada e escrita). Para isso, são utilizadas várias tecnologias da IA e da estatística. Esta tecnologia já está começando a ser usada na educação para correção de textos escritos pelos alunos e tradução simultânea de texto voz. Na educação, o PLN vai contribuir cada vez mais para o intercâmbio entre alunos de nacionalidades diferentes e para a transmissão em tempo real de aulas em línguas diferentes que serão traduzidas para os alunos. Por exemplo, um professor pode dar uma aula na Alemanha para alunos brasileiros que ouvirão a aula ao vivo em português graças à tradução automática favorecida pelo PLN. Esta utilização já começa a aparecer de forma informal, mas deve se consolidar por meio de novos aplicativos no decorrer dos próximos anos, em curto e médio prazo. PLN para a tradução simultânea de voz e texto provavelmente será integrada a óculos e fones. Óculos inteligentes, que incorporam um pequeno display que mostra informações ao usuário e interpreta comandos de voz via linguagem natural, já estão disponíveis no mercado, sendo encontrados vários modelos de diferentes fabricantes. Atualmente, óculos inteligentes possuem alguma utilização educacional vinculada à Realidade Virtual, mas poderão ser de grande serventia para a leitura de textos em diferentes idiomas fornecendo a sua tradução automática (de forma similar aos aplicativos de smartphone). Fones de ouvido wireless serão utilizados com o intuito de possibilitar a comunicação de pessoas que não falam a mesma língua. Esses fones podem captar o que é falado por uma pessoa, traduzir instantaneamente e informar a outra pessoa o que foi falado numa língua familiar. Esta tecnologia poderá ser muito útil para alunos que realizam cursos em línguas diferentes das suas. Se os alunos estiverem, por exemplo, escutando um vídeo de um curso MOOC, poderão vir a escutá-lo em sua língua, em tempo real. O PLN certamente vai impactar a interface dos sistemas educacionais, possibilitando uma comunicação mais natural, por exemplo, por meio da fala entre o usuário e o sistema educacional.
Essay-Grading
Essay-Grading é uma tecnologia para análise de textos escritos por alunos. É um subproduto do PLN, no que se refere à compreensão da língua escrita. Utilizam tanto algoritmos tradicionais de análise sintática, semântica e pragmática, bom como algoritmos estatísticos de processamento de PLN, baseados em corpora. Nos USA esta tecnologia é muito difundida e comercializada por várias empresas, pois é utilizada para analisar os textos que os alunos submetem para solicitar ingresso nas universidades americanas. Um dos pontos fracos desta tecnologia é ainda não detectar aspectos de emoção nos textos.
Tradução Simultânea
Assista ao video de demonstração do Skype sobre tradução simultânea (2min). O objetivo é conscientizar o leitor das possibilidades da tradução de voz (não tão conhecida quanto à tradução de textos).
Skype Translator abre a sala de aula para o mundo
Breve Análise dos Dados
Do ponto de vista das patentes registradas, a base dos EUA, a USTPO, é a que apresenta dados mais significativos nas áreas foco deste trabalho. Para o termo de busca Education and Natural Language Processing foram encontrados 279 patentes registradas até o início de 2017. A maioria pertencente a grandes empresas como Google, IBM, Skype, Microsoft Xerox e Nuance, entre outras. Para a palavra-chave Education and Artificial Intelligence, foram encontradas 35 patentes, que estão distribuídas entre algoritmos de IA que possuem aplicações educacionais como os de Machine Learnng e Data Analytics, além de várias plataformas e sistemas de ensino/ aprendizagem em geral. Aqui os registros, além de empresas, pertencem a institutos de Pesquisa e Desenvolvimento (P&D). Para Affectivity/Emotions and Education, apenas dois registros foram encontrados. Independentemente desses dados sobre afetividade/emoções, cabe apontar que a área possui um grande número de registros vinculados à robótica inteligente e educação 383 registros e ao PLN e afetividade/emoções 182 registros. Os dados de Robótica educacional e de PLN e Afetividade/Emoções foram obtidos de forma indireta, ou seja, por meio do cruzamento de várias pesquisas, por este motivo não é apresentado um único termo de busca utilizado na base. Ainda é importante destacar Intelligent Tutors Systems, que teve seu auge em 2014 com 22 registros e possui um total de 41 registros. A grande maioria é para STI específicos para o ensino de Matemática e Línguas. Os STI, no geral, seguem o modelo apresentado sobre o tutor Heráclito.
Dentre as possíveis aplicações educacionais, a com maior número de registros de patentes é a de Jogos Educacionais e sua derivada, Jogos Sérios, mas que não serão consideradas neste estudo, pois a análise detalhada do conteúdo do resumo do registro mostrou que, em sua maioria, é composto por patentes de grandes empresas, como, por exemplo, a Microsoft e que elas pouco têm de educacionais e, menos ainda de IA, embora estejam classificadas sob essas palavras-chave.
Foi possível constatar, ainda, que o número de empresas com produtos relevantes para este estudo é muito maior que o número de patentes registradas, principalmente no que se refere ao PLN e Afetividade/Emoções. Talvez este fato se justifique pela cultura, na comunidade de Computação, de utilizar as licenças creative commons para registro de software.
A base NPI apresentou apenas 14 registros, todos anteriores a 2014, relativos a Jogos Sérios e, por este motivo, não será incluída neste texto.
Já nas bases de artigos e livros científicos (Scopus e WOS), os resultados para as palavras-chave selecionadas foram significativos. Nas bases Scopus e WOS, a palavra-chave Artificial Intelligence and Education retorna um total de 7.702 registros. A área de Afetividade/Emoções computacionais (os termos são utilizados como sinônimos nos artigos e patentes) vem crescendo segundo dados da base Scopus, e na base WOS tem estado constante. Os artigos de Afetividade/Emoções somam 1.484 registros. Sua aplicação é transversal a várias outras tecnologias da IA e da Robótica. Senão veremos, dentre os 440 artigos de STI Afetivos, considerando-se a soma das duas bases, e dentre os 3.859 registros de STI, 217 citam ou usam, minimamente, os termos Afetividade/Emoções. Fazendo a intersecção entre Afetividade/Emoções e Aprendizagem Colaborativa, foram encontrados 154 artigos nas duas bases (Scopus e WOS); dados bem diferentes dos encontrados nos registros de patentes. Para Aprendizagem Colaborativa e Learning Manegment Systems, foram encontrados 194 registros. Para Jogos Sérios e Afetividade/Emoções, apareceram 182. Para PLN e Educação, somando ambas as bases, encontramos 696 artigos que consideram a área importante (fala, tradução e escrita) para os sistemas educacionais. Podemos também afirmar que a área vem crescendo entorno de 15% ao ano, nos últimos três anos. Já para o cruzamento de PLN e afetividade/emoções, temos 635 artigos, com tendência de crescimento de aproximadamente 10% ao ano, nos últimos três anos.
Quanto à base de teses e dissertações, é possível identificar que, sobre STI, encontram-se 365 ocorrências; para STI Afetivos, 38 ocorrências; e PLN, apenas 65. Tanto Sistemas Tutores Inteligentes Afetivos quanto Natural Language Processing and Education, 336 artigos, um número pequeno de teses e dissertações se comparado aos artigos e às patentes. Isso pode ser explicado pelo fato de que a maior parte dessas tecnologias está nas mãos de empresas. Como nas demais bases, Collaborative Learning apresenta um número expressivo de ocorrências, 1.784, mas, deste total, poucos apenas 35 tratam especificamente do tema Aprendizagem Colaborativa e IA.
Interpretação dos Dados
A interpretação dos dados segue a visão conservadora, ou seja, para onde apontam os números das buscas nas bases consideradas. As patentes serviram para encontrar empresas. Este foi o diferencial desta pesquisa, pois poucas seriam detectadas por meio dos artigos ou teses e dissertações. Os produtos das empresas estudados neste texto comprovaram as tendências mostradas pelos artigos, mas principalmente serviram para deixar claro o rumo que a área poderá tomar num período muito curto de tempo. Por exemplo, já existe uma oferta considerável de produtos de PLN e também de sistemas que reconhecem ou geram afetividade/emoções. Em grande parte dos artigos e produtos, essas duas tecnologias caminham juntas. Estes fatos apontam na direção de que eles podem ser incorporados aos diferentes sistemas de ensino-aprendizagem num curto espaço de tempo. A incorporação vai depender do quanto o custo desses produtos será acessível para a Educação. Testar alguns destes produtos é parte das atividades sugeridas a você, leitor(a) deste texto.
Para melhor entender como a pesquisa na área dos sistemas educacionais e das tecnologias a eles subjacentes se apresentava, foi realizado um estudo verificando sua distribuição por vários países. Aqui será apresentado apenas um pequeno resumo do que foi encontrado (VICARI, 2017). Ao nível internacional, os EUA apresentam a maior parte da P&D em praticamente todas as áreas dos temas aqui considerados. Logo, é natural que grande parte dos centros de pesquisa aqui apresentados pertençam a este país. Já o Canadá fica em 2o lugar se considerarmos a área de STI e em 3o quanto à de STI Afetivos. O México aparece em 2o lugar nesta última. O Canadá também está presente na segunda posição, se considerarmos a área de afetividade/emoções, de forma geral. Na área de PLN e Educação, a liderança continua com os EUA, mas outros países também aparecem como o Reino Unido, China, Espanha, Canadá, Índia, Austrália, entre outros. Entretanto, para PLN a opção foi a de olhar para as empresas (devido ao grande número de patentes) e para os produtos que já estão presentes no nosso dia a dia. Mesmo se considerarmos a produção científica, grande parte dos artigos, publicados nos últimos três anos, tem como origem centros de pesquisa de empresas e/ou em coautoria com universidades.
A pesquisa em Jogos Educacionais e Jogos Sérios encontra-se distribuída em um grande número de países. Dentre eles, os que se destacam são o Reino Unido, a Alemanha e Taiwan. O Brasil aparece com 3% da pesquisa nessa área. Mas, como já dito neste texto, apenas pequena parte das aplicações é educacional e uma parcela menor ainda utiliza IA para o seu desenvolvimento. A IA é ainda muito cara para aplicações educacionais. Quando se trata de entretenimento, seu uso se verifica em larga escala. Na maioria dos casos, são jogos que passaram por gamificação. Independentemente dessas questões, os jogos mantêm um modelo de interação ao qual o aluno já se encontra acostumado, pois é uma prática de sua geração utilizar jogos computacionais e, por este motivo, conseguem grande apelo com os estudantes.
Gameficação na Educação
Gamificação é uma técnica que vem sendo usada no desenvolvimento de sistemas educacionais. Do ponto de vista do usuário, trata-se de incluir características típicas de jogos, como pontuações e premiações, níveis de dificuldade, etc., visando manter o interesse do aluno.
Com base nos levantamentos realizados nas bases de dados, é possível verificar que apenas as áreas de Jogos Educacionais/Jogos Sérios e STI mantêm uma regularidade numérica. PLN e Educação não mantêm a regularidade quando se trata de teses e dissertações. STI Afetivos vêm surgindo com lentidão em termos de patentes e teses e dissertações, mas com mais significado em termos de artigos científicos. Entretanto, a área de Afetividade/Emoções apresenta um desenvolvimento mais regular, embutida em aplicações, por exemplo, Visão Computacional e PLN, além dos STI. Data Analytics também tem contribuído para identificar padrões de emoções em textos e imagens, gerando bibliotecas para desenvolvedores. Esses avanços nos levam a apontar a área de afetividade/emoções como uma tendência nos próximos anos para várias aplicações, dentre elas as educacionais.
Se considerarmos os números gerais da pesquisa, em artigos em IA e Educação, por exemplo, o desenvolvimento de métodos educacionais, a representação de conhecimento para aplicações educacionais, etc., temos a seguinte distribuição: em 1º EUA com Scopus 28% e WOS 17%, em 2º China com Scopus 10% e WOS 8%, em 3º Espanha com Scopus 7% e WOS 8% e em 4º Reino Unido com Scopus 6% e WOS 7%. Canadá e Japão aprecem em 5o lugar com 5% e o Brasil em 6o com 3% da pesquisa, em ambas as bases. O Brasil e o México são os países da América Latina com destaque em termos de produção científica, e o Brasil possui mais startups na área de educação, porém entre as dez maiores startups brasileiras nenhuma atua com IA (http://private.openstartups.net/ranking).
De acordo com os dados apresentados na etapa anterior da metodologia, é possível concluir que, as principais áreas de pesquisa e de produtos que podem afetar positivamente a IA na Educação são Afetividade/Emoções, PLN e Learning Analytics (ELIAS, 2011). Quando se fala em Learning Analytics, é importante lembrar que o termo surgiu da área mais abrangente, Data Analytics, que vem associado a outras áreas tradicionais na IA como Data Mining, Machine Learning (é um campo da IA que evoluiu do reconhecimento de padrões. Pode ser definida como o estudo que dá aos computadores a habilidade de aprender sem serem explicitamente programados para tal) e, em alguns casos, à Big data. Learning Analytics encontra-se vinculada a MOOC, mas é utilizada também em LMS e STI (para uma visão da aplicação na educação ver (AGNIHOTRI et al, 2018).
No que se refere ao ensino virtual, também chamado de ensino flexível ou a distância (LMS e MOOC), as universidades dos EUA, Reino Unido, Espanha e China são as que mais têm desenvolvido pesquisas na área. Em 2008, o Centro Educase realizou um estudo tendo por base a Open University, do Reino Unido, sobre plataformas LMS. Nesse estudo são relatados casos de sucesso de LMS e também de MOOC. Quanto aos LMS, o relatório aponta, como evolução das plataformas, basicamente, a integração de ferramenta de redes sociais. Quanto aos MOOC, o estudo indica a necessidade de cursos menores e do seu uso conjunto com aulas presenciais (cabe lembrar-se da Khan Academy). No entanto, dados atuais sobre a efetividade no ensino, nos EUA, nos mostram que apenas de 5% a 10% dos estudantes universitários preferem Massive Online Open Courses, em contrapartida com 50% a 85% registrados em cursos tradicionais.
Vale destacar qual é a fatia da IA na Educação, considerando as bases de artigos, teses e dissertações consultadas. Somando-se os resultados das buscas nas bases Scopus e WOS, para artigos relacionados com o termo genérico Inteligência Artificial, nos últimos três anos, têm um total de 80.454 textos indexados. Deste montante, a IA aplicada à educação corresponde a 21.083, cerca de um quarto da produção científica. Já em relação às bases de teses e dissertações, a área de IA como um todo apresenta 6.241 resultados, sendo 3.948 relacionados à IA na educação, ou seja, 63% do total. Desta forma, o levantamento realizado constatou que parte significativa da produção científica atual em IA está relacionada com o tema da educação, o que indica forte presença da IA nos sistemas educacionais e, consequentemente, um grande impacto nos processos de ensino/aprendizagem em curto e médio prazo.
Ainda, cabe menção para algumas tecnologias como a Internet das Coisas (IoT), o armazenamento de conteúdo educacional em Nuvens, e a Internet por satélite, que são da Computação e Telecomunicação, mas que afetarão a IA e os sistemas Educacionais em curto prazo.
A proposta de Coelho e Primo (2016) pode ser aprimorada se considerarmos os resultados desta pesquisa. Eles apontam para uma grande mudança dos sistemas educacionais, uma verdadeira quebra de paradigma no que se refere à interface e ao acesso aos sistemas educacionais. Ou seja, a proposta de integração de aplicativos dos Ecossistemas educacionais é mantida, mas acrescentamos as significativas mudanças nas interfaces (por meio da língua natural, com tradução simultânea, com reconhecimento de emoções e identificação dos alunos por intermédio da visão computacional e da interpretação de textos). Além dessas tecnologias que já estão disponíveis no mercado e que precisam apenas ser incorporadas aos sistemas de ensino/aprendizagem, é possível prever interfaces podendo ser acessíveis em qualquer superfície e em 3D (ver Figura abaixo).
Interfaces do Futuro – uma das possíveis facilidades
4. Panorama do Brasil
Considerando os dados das bases Scopus e WOS, o Brasil ocupa a 3a posição na pesquisa internacional na área de sistemas educacionais. Esta posição é compartilhada com o México. O México é o único país da América Latina que chega a ocupar a 2a posição em termos de publicação, nas duas bases, quando o termo de busca é Intelligent Tutor Systems and affectivity. No entanto, o Brasil possui maior representatividade quando se trata de P&D em Inteligência Artificial em geral. Nos últimos três anos, de acordo com as bases Scopus e WOS, as melhores colocações do Brasil estão nas áreas de Sistemas Tutores Inteligentes (STI) e Inteligência Artificial e Educação, mas também aparecem em Jogos Educacionais, Jogos Sérios e Robótica Educacional. O mesmo não ocorre com relação às patentes. Lembrando que não foram encontrados registros, na INPI, nos últimos três anos.
Com a finalidade de um olhar mais detalhado sobre o Brasil, foram consultados os grupos de pesquisa do CNPq. O Brasil possui registrados 605 grupos de pesquisa em IA. Em particular, foram buscados os registros para STI, MOOC e Robótica Educacional (sem especificar se utilizava IA). A busca foi realizada utilizando os campos: nome do grupo, nome da linha de pesquisa e palavras-chave da linha de pesquisa. Não foi possível manter as palavras-chave selecionadas inicialmente, pois, por exemplo, dos nove grupos de pesquisa em PLN existentes, nenhum aplica o resultado da sua pesquisa em sistemas educacionais. Quanto à Afetividade/Emoções, foram encontrados apenas dois grupos Interdisciplinares, que envolvem Computação, dedicados especificamente a este tema, ou seja, para olharmos para a realidade brasileira foi necessária uma maior abstração no campo de buscas.
Dentre os grupos encontrados, selecionamos alguns que também desenvolvem produtos nestas áreas. No caso do MOOC existem três grupos, sendo que apenas dois destes informam que pesquisam a área. Um localizado na UFSM e outro na UFSC. O terceiro é da PUC-Rio. Já em STIs, existem 29 grupos. Desses, selecionamos quatro que desenvolvem produtos. São eles: USP São Carlos, que também possui uma startup, a Meu Tutor, em parceria com a Ufal. A Ufal, que atua também com a Comunnitas, que comercializa um LMS que se aproxima em muitos aspectos da proposta dos Ecossistemas educacionais. A UFRGS, com pesquisa e desenvolvimento de sistemas educacionais que utilizam tecnologias de IA. A Unisinos, que desenvolve sistemas disponíveis na web como o Tutor PAT e o tutor Heráclito. Estes grupos produzem e disponibilizam na web ou comercializam software do tipo STI e possuem regularidade na pesquisa, constatada por meio de suas publicações. (Mais informações em Socrative e Coppla).
As pesquisas na área de Sistemas Tutores Inteligentes (STI) se encontram distribuídas por 14 dos 22 estados. Com concentração de grupos de pesquisa nos seguintes estados: Rio Grande do Sul com sete grupos, Paraná com quatro grupos e São Paulo também com quatro grupos.
Na área de Robótica Educacional acontece o contrário do que se passa com os MOOC. Existe um número grande de grupos distribuídos por todo o país, mas a IA é utilizada no desenvolvimento de pesquisas e protótipos apenas no ensino superior. Ainda, em quase todas as ocorrências, a Robótica Inteligente é utilizada para ensinar a própria área ou para ensinar programação. Isso não significa a inexistência de grupos ligados à pesquisa de visão computacional ou autonomia, por exemplo, mas, mais uma vez, não foi possível estabelecer um vínculo da P&D desenvolvidas por estes grupos e os sistemas educacionais.
Não foram encontrados grupos cujo foco da pesquisa seja especificamente LMS.
5. A tecnologia e o mercado de trabalho
A IA tem alavancado a Computação para criar máquinas cada vez mais autônomas. Com isso, a IA e a robótica inteligente vêm revolucionando a forma como a indústria opera atualmente. Países como os EUA, o Japão, a Alemanha e o Reino Unido já possuem suas economias dependentes dos avanços da tecnologia, o que pode ser constatado pelo número de patentes e pelas empresas de tecnologias sediadas nesses países. Também são países que procuram preparar seus cidadãos para as mudanças que a tecnologia traz consigo, principalmente, no que se refere à necessidade de preparo para gerar novas formas de trabalho e também para absorver o impacto dos empregos tradicionais que são e serão perdidos.
A educação é um dos pilares para a transformação da economia dos países. Por meio dela é possível formar empreendedores e núcleos de pesquisa estabelecidos e permanentes e, no mínimo, preparar cada geração para o dia a dia de seu futuro trabalho. A posição assumida neste estudo é a de que, cada vez mais, os jovens terão que criar o seu próprio trabalho, desta forma terão que ser criativos e inovadores. Infelizmente, para muitos dos alunos de hoje, quando concluírem seus cursos, o trabalho poderá não mais existir da forma para a qual foram preparados pelas instituições de ensino. Esta posição poderá ser constatada a seguir nas considerações elaboradas dentro da visão de quebra de paradigma.
Recentemente, o governo canadense lançou um programa ambicioso visando tornar o Canadá líder mundial na área de pesquisa e desenvolvimento de sistemas que utilizam IA e, para isso, investiu U$127 milhões em um instituto público-privado chamado “The Vector Institute”. Como tecnologias da IA que irão alavancar esta mudança, o Canadá aponta várias que também fazem parte deste estudo. Dentre elas, o aprendizado de máquina (Machine Learning) que, entre outras aplicações, pode proporcionar aos computadores a capacidade de aprender sem serem explicitamente programados para tal. As interfaces de usuário cada vez mais naturais e sofisticadas, por meio do reconhecimento de voz, permitindo que os seres humanos interajam com máquinas de forma semelhante a como interagem uns com os outros. As Redes Neurais que já modelam funções dos cérebros humanos permitindo às maquinas interpretar e reagir a insumos específicos, como palavras e tom de voz, que é uma tecnologia utilizada na área de afetividade computacional e PLN. Ou seja, à medida que estas tecnologias continuam a se desenvolver, a IA aplicada à Educação tem o potencial de melhorar o ensino on-line, por intermédio dos software de aprendizagem adaptativa (personalização do ensino).
Outro exemplo de país que possui uma política de uso de tecnologia no ensino é a Coreia do Sul. Em um relatório de 2012 (GRZYBOWSKI, 2012), o governo do país apresentou uma revisão de sua política de uso de tecnologias na educação. A Coreia vinha utilizando, até então, prioritariamente, jogos educacionais para o ensino básico e fundamental. Nesse relatório, o Ministério da Educação afirma que “já era hora de optar por sistemas mais criativos e menos lúdicos”. A Coreia possui a internet mais rápida do mundo e também o maior percentual de acesso à internet. Mas, segundo este mesmo relatório, também é detentora do maior número de pessoas “viciadas” no uso de celulares. O relatório também indica a decisão do país de investir 2,4 bilhões de dólares na compra de equipamentos (tablets, celulares e computadores) para os alunos visando e-learning e home-learning. A política para software passou a ter foco no conteúdo digital (livros e Objetos de Aprendizagem). O mesmo relatório aponta para o incentivo do desenvolvimento próprio desses recursos.
Estes casos de uso nos mostram que apontar para uma ou outra tecnologia pode depender de vários fatores, como os culturais, os sociais, os financeiros, o nível de desempenho escolar dos alunos-alvo, as políticas educacionais de cada país, dentre outros. Por exemplo, repositórios de conteúdos educacionais já são utilizados, no Brasil, em larga escala, há muito tempo.
De forma geral, o levantamento do Ministério do Trabalho dos EUA (BUREAU OF LABOR STATISTICS, 2015) prevê um crescimento de 12%, de 2014 a 2024, na área da Tecnologia da Informação e Comunicação. Um percentual maior do que a média para todas as demais ocupações consideradas no levantamento. A agência também projeta a abertura de 488.500 novas vagas de trabalho ligadas à tecnologia, passando de 3.9 milhões para 4.4 milhões de empregos entre os anos de 2014 e 2024.
O Fórum Econômico Mundial (WEF – World Economic Forum) acredita que estamos no meio de uma “Quarta Revolução Industrial”, com economias transformadoras baseadas na robótica e na IA, em todo o mundo. O WEF estima que 5 milhões de empregos deixem de existir até 2020, pois serão substituídos por robôs ou a IA apresentará uma aplicação inovadora. A pesquisa do Citi e da Universidade de Oxford no início 2017 estimou que 57% dos empregos na OCDE (Organização para a Cooperação e Desenvolvimento Econômico) estão em risco de automação.
Os otimistas da tecnologia argumentam que desenvolvimentos como a IA ou a robótica criam mais empregos do que destroem – alguém precisa construir os robôs, treinar a IA, e haverá novos empregos que não podemos imaginar agora.
DEBATE: Quais são as profissões do futuro?
Baseado no texto deste item, que profissões você consegue vislumbrar estarão com vagas disponíveis num futuro próximo? Debate com seus colegas.
6. O futuro da tecnologia e os sistemas educacionais
Por fim, as considerações para o uso de tecnologias da IA na educação, com base nos dados aqui elaborados, apontam o contínuo avanço (considerando o curto e o médio prazo):
Do uso generalizado dos produtos do PLN (tradução, reconhecimento, geração da fala e da escrita) tanto em sistemas educacionais (MOOC, LMS e STI) como na Robótica;
- Da integração das tecnologias da Afetividade/Emoções tanto nos sistemas educacionais, no PLN e na Robótica;
- De Sistemas educacionais com um formato híbrido, contemplando a integração de aplicativos nas plataformas, similar aos ecossistemas;
- De maior utilização, nos sistemas educacionais, da visão computacional (vinda da robótica) proporcionando a identificação dos alunos em sistemas on-line;
- Da adoção de material educacional digital personalizado como os smartbooks, Objetos de Aprendizagem e Recursos Educacionais Abertos;
- Para a reconfiguração da sala de aula em espaços de aprendizagem no formato Fab Lab, sala de aula invertida e ambientes virtuais de ensino aprendizagem que acompanham os alunos em qualquer local, que incorporam, além da IA, a mobilidade e as interfaces 3D, com o uso de vários hardware.
Sem dúvida, a maior mudança se dará em termos das interfaces destes ambientes virtuais de aprendizagem (sistemas e plataformas) com a utilização do PLN (voz, escrita, tradução), da Afetividade e dos meios de visualização como interfaces 3D e em um futuro próximo, quem sabe as holográficas.
As prospecções referentes ao PLN e à Afetividade são também suportadas pelas pesquisas nas bases de patentes. Várias patentes encontradas nas buscas nas bases estão relacionadas às empresas na área de PLN e Afetividade, dentre elas: Kairos, nViso, Affectiva, Emotion API, EmoVoice, Vokaturi, Google, IBM, Nuance, Microsoft e Skype. Ainda, segundo a Carnegie Learning, o mercado de software educacional, considerando apenas aplicações para reforço educacional, chegará a U$ 6.7 biliões ano, nos EUA em 2018. Estas tecnologias estarão presentes no dia a dia da educação, em curto e médio prazo. Existe um aplicativo chamado “Moodies”, que já pode dizer em que humor você está. Em 2020 haverá aplicativos que poderão dizer, por suas expressões faciais, se você está mentindo.
ATIVIDADE: teste de produtos
Teste os seguintes produtos que detectam afetividade/emoções em textos ou imagens, disponíveis no mercado, com possibilidades de testes gratuitos: Vokaturi, EmoVoice, Good Vibrations Company, Beyond Verbal, Emontions API da Microsoft, Affectiva, Kairos, Tone Aalyser, que é parte do Watson, Reciptiviti, BiText, Synesketch. O Objetivo desta atividade é proporcionar uma visão de como se encontram as pesquisas e o desenvolvimento de produtos de PLN e afetividade/emoções.
O relatório Horizon (NMC, 2017) aponta para a disseminação, em curto ou médio prazo, das tecnologias vestíveis/usáveis em sistemas educacionais, como fones de ouvido, óculos inteligentes, etc.
Da mesma forma que a IA e a Robótica influenciam o mercado de trabalho e a educação, é possível trazer outras áreas, já citadas neste texto, que vêm influenciando os sistemas educacionais e também o mercado de trabalho. Em ambos os casos, estas áreas da Ciência da Computação e da Engenharia exigem o desenvolvimento de novas habilidades e competências dos cidadãos. Dentre as que mais têm se destacado ultimamente podemos citar:
- A visão computacional desenvolve teorias e tecnologias para a construção de sistemas artificiais que obtêm informação de imagens ou quaisquer dados multidimensionais. Atualmente, no contexto educacional, a visão computacional está associada apenas à Robótica. Mas a tendência é que, em curto prazo, ela migre para os STI, LMS e MOOC, tanto para reconhecimento de aspectos emocionais, quanto para certificação da identidade dos alunos.
- Internet das Coisas (IoT) trata-se de um protocolo de comunicação que visa integrar elementos físicos (objetos) à Internet. Em experiências educacionais, por exemplo, podemos, por meio do uso de uma smartbox (um dispositivo que conecta sensores ao computador e capta movimentos no ambiente externo), fazer com que quando um aluno segurar em sua mão um objeto físico, este apareça no monitor do computador ou dispositivo móvel podendo ser manipulado virtualmente e também reconhecido para uma busca de informações, na internet, a seu respeito. Por exemplo, se o objeto físico for uma maçã, poderemos, no futuro, agregar cheiro, tato, informações sobre a fruta, etc. A possibilidade de conectar objetos à Internet vai impactar os sistemas educacionais (ITS, LMS e MOOC) e os processos de ensino/aprendizagem. Por exemplo, no contexto da educação profissional, no qual a manipulação e o fazer prático têm grande importância, a internet das coisas pode vir a proporcionar interessantes experimentos e simulações. Este tema está presente em 404 artigos.
- A Computação em Nuvens é um modelo para permitir acesso, sob demanda, a um conjunto compartilhado de recursos computacionais configuráveis, que podem ser rapidamente integrados com um mínimo esforço de gestão. Alguns fornecedores de computação em nuvem estão experimentando taxas de crescimento de 50% ao ano, mas a computação em nuvem ainda está em um estágio de infância, pois existem problemas de privacidade e segurança que ainda precisam ser tratados adequadamente para convencimento de um grande grupo de usuários. Estes serviços já são muito úteis para a Educação. As escolas, independentemente de seu tamanho, podem utilizar esta capacidade de armazenamento e computação para os seus dados e conteúdos, que podem ser acessados por professores e alunos de qualquer local.
- A Realidade Virtual é uma tecnologia de interface humano-computador avançada. O objetivo da Realidade Virtual é recriar ao máximo a sensação de realidade para o usuário. Para isso, a interação é realizada em tempo real, com o uso de técnicas e de equipamentos computacionais que ajudam na ampliação do sentimento de presença no usuário. A Realidade Virtual já vem sendo utilizada no ensino da medicina, por exemplo, e também é utilizada em Jogos Sérios. Os equipamentos estão diminuindo seu custo e seu uso vem se tornando mais confortável. A Realidade Virtual é utilizada também para simular visitas a espaços (edifícios, museus…). Em muitos casos é criado um personagem virtual (avatar) que representa o usuário. O usuário se locomove virtualmente por este espaço e interage com ele por meio de seu avatar. A Realidade Aumentada é uma tecnologia utilizada para unir o mundo real com o virtual, por intermédio da utilização de um marcador, webcam ou de um smartphone (IOS ou Android), ou seja, visa à inserção de objetos virtuais no ambiente físico, mostrada ao usuário em tempo real. A Realidade Aumentada permite que pequenos componentes de uma figura, por exemplo, a figura do corpo humano, sejam ampliados e visualizados em detalhes, com o simples gesto de apontar a lente da câmara fotográfica de um celular para o ponto desejado da figura.
- A Criatividade Computacional está ligada às artes, em particular à produção artística da arte computacional vinculada à programação por meio de modelos matemáticos e da ótica (visão e reconhecimento de imagens). Nesse momento esta tecnologia já impacta o ensino de artes e música. Mas poderá ter uma abrangência maior quando for possível, por exemplo, a geração criativa de exercícios, exemplos, etc. para várias áreas da educação;
- A Ética Computacional surgiu por volta do ano 2004 e vem se desenvolvendo lentamente, principalmente ligada à Robótica. A tendência é a de que a Ética Computacional seja aplicada a todos os sistemas de IA. Sistemas de apoio à tomada de decisões, por exemplo, são sistemas baseados em conhecimento e decisão. Como sabemos, conhecimento é poder. Logo, esses sistemas, já hoje em dia, decidem ou influenciam decisões sobre nossas vidas. Por exemplo, quando se solicita um empréstimo bancário, é um sistema de apoio à tomada de decisão que vai analisar nossos dados e emitir uma posição para o gerente do banco. E outras tantas situações que estão surgindo resultantes de aplicações da IA e da Robótica. A Educação é uma delas.
Ética
Obviamente as máquinas não são dotadas de comportamentos éticos. Mas podemos programá-las para que se comportem desta forma. Existem vários livros sobre o assunto, Principalmente do Prof. Luís Moniz Pereira, da Universidade Nova de Lisboa. A IEEE possui um grupo de interesse sobre o tema e, também, existe uma extensão da Linguagem de Programação PROLOG, para tal.
7. Conclusões
Para concluirmos este texto, são apontados caminhos não utilizados nesta pesquisa, mas que nem por isso deixam de ser relevantes. Para esta etapa foram analisadas apresentações de pesquisadores em congressos nacionais e internacionais de IA, encartes sobre tecnologia em jornais populares e sites especializados em prospecção de tecnologia, como o da fundação Horizon e das empresas Samsung, Google, IBM, Mercedes Benz, dentre outras.
Na computação, os avanços das tecnologias dos computadores em geral, como, por exemplo, o surgimento dos microcomputadores, da internet e da computação móvel, influenciaram os rumos da IA e Educação. Durante esta pesquisa, o foco foi o de apontar os caminhos da IA na Educação, a partir da própria IA. No entanto, a área da IA na Educação já é considerada importante por si só pela área geral de tecnologia educacional. Ou seja, finda a análise e interpretação tradicional, baseada na metodologia científica aceita academicamente, é instigante “navegar” por caminhos não tão seguros, mas que já podem ser vislumbrados para além dos artigos científicos. Estas visões são as chamadas: visão de quebra de paradigma e a visão utópica. Certamente a visão de quebra de paradigma também se firma na tecnologia já existente, mas, talvez, mais embrionária. Já a visão utópica é fruto da pura imaginação de uma pesquisadora da área que sempre procura considerar mais de um cenário para o mesmo caso.
Visão de Quebra de Paradigma
A visão de quebra de paradigma acontece, normalmente, quando uma empresa, por exemplo, uma startup, lança um produto de alta tecnologia que afronta a obsolescência dos produtos e aplicações existentes, programada pelas grandes empresas, nestes casos, da área de tecnologia. Podemos aqui citar vários exemplos do passado, na área da computação e não só.
Quando a IBM apostava em mainframes, a Microsoft lançou os PCs e logo em seguida veio a Apple que mudou a forma com se interagia com computadores. Quando o mercado estava bastante ocupado pelos microcomputadores, veio a ideia do armazenamento de informações em nuvens (uso de grande estruturas de armazenamento). Quando tudo levava os telefones móveis para um tamanho cada vez mais reduzido, veio o iPhone e mudou a tendência, pois os telefones incorporaram outras funcionalidades. Esta dança de propostas e tendências pode rapidamente alavancar empresas como sepultar outras. Isso pode acontecer tanto no hardware, no software e também nos serviços de forma geral. Podemos citar, apenas como exemplo, a revolução que as APIs para smartphones causou e vem causando em diferentes empresas de serviços. Por exemplo, poucas pessoas compram um mapa em papel, atualmente, para se localizar. A atual gigante Amazon nasceu pequena e mudou o mercado de compra de livros. Enfim, acreditamos que muitas das tecnologias produzidas por startups atuais podem realizar a quebra de paradigmas, nas áreas foco desta pesquisa. Isso pode ocorrer de duas formas: a startup resiste e abre seu mercado, ou é rapidamente adquirida por uma gigante do mercado, pois a tecnologia que a startup possui lhe interessa. Na educação, em nossa opinião, esta grande mudança de paradigma ainda não aconteceu. Nem mesmo com inciativas como a EAD ou a University 42. Elas não representem uma quebra de paradigma significativa. Na educação, essa mudança ainda está por vir.
Mas, para além da educação, nesta visão temos já algumas realidades indiscutíveis como, por exemplo, a Uber, que é apenas um sistema de software. A Uber não possui carros, e é agora a maior empresa de táxi do mundo. A Airbnb é a maior empresa hoteleira do mundo, embora a Airbnb não possua qualquer propriedade. Já hoje, nos EUA, jovens advogados não conseguem emprego. O motivo é o IBM Watson, para quem se pode solicitar e obter aconselhamento legal (até agora para as coisas mais ou menos básicas) em poucos segundos, com uma precisão de 90% em comparação com uma precisão de 70%, quando feito por seres humano. Ou seja, haverá 90% menos advogados no futuro, apenas especialistas permanecerão. Ainda o Watson já ajuda no diagnóstico de câncer, quatro vezes mais preciso do que os médicos humanos. Continuando na área da saúde, o preço do Tricorder X (scanner como o da ficção científica Star Trek) já é realidade em laboratório. Existem empresas que irão construir um dispositivo médico que funciona por meio do telefone (digitalização da retina, amostra de sangue e respiração); o protótipo analisa 54 biomarcadores que podem identificar quase qualquer doença.
Outra tendência, que tem preocupado as atuais empresas fabricantes de automóveis, é a de carros autônomos, pois, já em 2018, os primeiros carros autônomos estarão disponíveis para o público. Por volta de 2020, a indústria completa vai começar a ser interrompida. Você não vai querer ter um carro, vai chamar um carro com o seu telefone, ele vai aparecer no seu local e levá-lo ao seu destino. Você não vai precisar estacioná-lo, você só pagará pela distância percorrida e pode ser produtivo durante a condução. Carteiras de motoristas não serão mais necessárias e nem possuir um carro. Isso vai mudar as cidades, porque vamos precisar de 90-95% menos carros. 1,2 milhões de pessoas morrem a cada ano em acidentes de carro em todo o mundo. A taxa atual é de um acidente a cada 100.000 km; com a condução autônoma, esse número vai cair para um acidente em cada 10 milhões de km. Isso vai salvar um milhão de vidas por ano. A maioria das companhias de carro provavelmente vai falir. Companhias de carro tradicionais tentam a abordagem evolutiva e apenas construir um carro melhor, enquanto as empresas de tecnologia (Tesla, Apple, Google) fazem a abordagem revolucionária e constroem um computador sobre rodas. Estas mudanças todas irão acabar com as empresas fabricantes de automóveis como as conhecemos hoje, e também com as companhias de seguros para automóveis. Você pode trabalhar enquanto se desloca, já que os carros serão autônomos, as pessoas poderão mudar para mais longe das grandes cidades e viver em um bairro mais bonito e quase rural. Se isso acontecer, o mercado imobiliário, como o conhecemos hoje, sofrerá profundas transformações.
O preço da impressora 3D mais barata caiu dos US $ 18.000 para US $ 400 nos últimos dez anos. Ao mesmo tempo, tornou-se 100 vezes mais rápida. Todas as grandes empresas de calçados fazem sapatos com impressão 3D. Algumas peças de avião estão sendo impressas em 3D, em aeroportos remotos. A estação espacial agora tem uma impressora, o que elimina a necessidade de transporte de grande quantidade de peças de reposição. No final deste ano, os novos smartphones terão possibilidades de digitalização em 3D. Você pode então digitalizar seus pés em 3D e imprimir o seu sapato perfeito em casa. Na China já construíram um edifício comercial completo de seis andares confeccionando a sua estrutura em uma impressora 3D. Até 2027, 10% de tudo o que está sendo produzido será impresso em 3D. Na mesma linha, várias empresas já constroem protótipos de coração artificial usando impressoras 3D. O objetivo é o de, a partir de ecografias e outros exames, construir um modelo 3D com as dimensões exatas do coração do paciente e, com isso, permitir aos cirurgiões um estudo completo dos problemas diagnosticados antes de uma cirurgia.
Haverá um robô agrícola de $100 no futuro. Agricultores nos países do 3º mundo poderão, então, tornarem-se gerentes de seu campo em vez de trabalhar o dia todo neles.
Como é possível observar através destes exemplos, uma das mudanças que a nossa sociedade esta passando é ligada à tecnologia.
Visão Distópica
Uma visão distópica do uso de IA, como frequentemente apresentado no seriado “Black Mirror”, seria os estudantes e as escolas abandonarem o uso de tecnologia por vários motivos, como riscos à privacidade, perda de identidade cultural, perda de algumas habilidades cognitivas (mas com desenvolvimento de outras). Um exemplo da perda da privacidade seria o fato de um software educacional que monitora o raciocínio do aluno durante a solução de problemas, por todo o período escolar e, também monitora os interesses pessoais desse aluno (sites visitados, atividades culturais, etc.). Quando esse aluno terminar a sua formação e for buscar um emprego, a empresa poderá ter acesso a todas estas informações pessoais e decidir por não dar o emprego a um candidato em particular. Por situações bem menos radicais do que essa, fictícia, aqui apresentada, já se fala no conceito do “esquecimento digital”, em que as pessoas poderão realmente eliminar informações pessoais que não desejem que fiquem disponíveis na rede.
O contraponto da visão utópica será a eliminação das escolas e/ou dos professores humanos. Esta posição, embora seja utópica no momento, pois mesmo em cenários utópicos encontrados na literatura, existe a figura do professor humano, sob o nosso ponto de vista é uma visão possível nos próximos dez a quinze anos. E, eliminação da escola física já acontece em modalidades da EAD, embora a instituição “escola” burocrática permaneça. A Universidade 42, já referida neste texto, é um exemplo de “escola” sem professor.
Os sistemas de ensino/aprendizagem computacionais estão cada vez mais comuns e existem algumas tecnologias despontando que vão tornar isso possível, por exemplo, a internet das coisas, a conexão móvel, o armazenamento de dados em nuvens, satélites para Wi-Fi, realidade virtual e aumentada. Isso vem tornando as ideias de ensino formal e ensino informal difíceis de serem diferenciadas e/ou delimitadas.
DEBATE: compartilhar informações pessoais ou manter a privacidade?
A proposta de debate para este capítulo fica em torno das conclusões, em particular da visão distópica do uso da IA. Em sua opinião o que será considerado, pela sua geração, como mais importante:
- Estabelecer novas modalidades de se comunicar com o mundo e ser reconhecido e identificado pelos outros (humanos e máquinas), utilizando, para isso, a tecnologia?
- Manter a privacidade de seus dados mesmo que, para tal, seja necessário abrir mão do uso de novos aplicativos de compartilhamentos de informações, localização e presença?
Resumo
Mapa Mental dos assuntos tratados neste capítulo
Fonte: Da autora, desenvolvido com Coggle
Este capítulo teve como objetivo apresentar o tema Inteligência Artificial aplicada à Educação, bem como introduzir conceitos básicos para o seu entendimento (abrangência das aplicações atuais, temas de pesquisa e limites da área de Inteligência Artificial aplicada à Educação). Dentro deste propósito foi realizada uma breve introdução de como se pode utilizar a IA para construir sistemas de ensino/aprendizagem e, também, alguns exemplos de sistemas que estão sendo utilizados no Brasil e em outros países. A metodologia utilizada para o levantamento de informações para a escrita deste texto teve destaque, como o objetivo de lembrar aos alunos que a metodologia é a base para qualquer trabalho científico. A metodologia possibilitou apresentar uma fotografia da pesquisa e do desenvolvimento da IA aplicada à educação em vários países que desenvolvem trabalhos na área. Com uma visão de para onde apontam as pesquisas, na área da Ciência da Computação e, em particular, na IA, foi possível alertar o leitor para a necessidade de recursos humanos cada vez mais qualificados para atuar em um mercado de trabalho que se transforma em grande velocidade. Também foi possível elaborar uma visão prospectiva dos rumos atuais e para os próximos anos, do desenvolvimento da área, baseada nos textos analisados seguindo a metodologia proposta para este estudo. Elaboramos o mapa mental apresentado na figura a seguir que ilustra os principais tópicos abordados neste capítulo.
Leituras Recomendadas
(COELHO; PROMO, 2016)
Este artigo traz a ideia de como estão evoluindo os sistemas de IA voltados para a Educação. Trata da interoperabilidade entre diversos software computacionais.
(McCARTHY, 2007)
Trata-se de um texto de leitura muito agradável. É uma entrevista que McCarthy deu para uma jornalista. Em minha opinião o título do livro poderia ser: o que você gostaria de saber sobre IA, mas tem vergonha de perguntar”.
(GALAFASSI et al., 2017)
O artigo descreve o tutor Heráclito apresentado neste capítulo. Nele você poderá encontrar maiores detalhes sobre como funciona e como foi desenvolvido.
(HOLT; WOOD, 1990)
É um artigo que realiza uma revisão sobre Sistemas Tutores Inteligentes. Embora seja de 1990 ainda é um bom começo para os alunos interessados nesta área de pesquisa.
Exercícios
- Utilizando os dados obtidos nos testes dos software educacionais desenvolvidos no Brasil: PAT MATh2, Heráclito, Coppla, Meu Tutor, FEB, Experter, realize uma tabela comparativa entre as funcionalidades oferecidas por cada um deles.
- Anote os momentos do filme Ex Machina que, em sua opinião, já não são mais ficção, pois os algoritmos já conseguem realizar.
- Uma das propostas para implementar comportamento ético nas máquinas é a de utilizar a proposta filosófica de São Tomás de Aquino. Procure textos sobre este assunto na internet.
Referências
AGNIHOTRI, L. A.; MOJARAD, S. Mining Login Data For Actionable Student Insight. Acesso em jun. 2018.
ANDERSON, J. R. The architecture of cognition. Psychology Press, 2013. [onde comprar]
BENITTI, F. B. V. Exploring the educational potential of robotics in schools: A systematic review. Computers & Education, 58(3), 978-988, 2012. Acesso em jun. 2018.
BUREAU OF LABOR STATISTICS. Arquivos. Acesso em mai. 2018.
COCHANE. Handbook for Systematic Reviews of Interventions. Acesso em mar. 2018.
COCHRANE TRAINING. Cochrane handbook for systematic reviews of interventions. Acesso em: mar. 2018.
COELHO, H.:, PRIMO, T. T. Exploratory apprenticeship in the digital age with AI tools. Progress in Artificial Intelligence, v. 1, p. 1-9, 2016. Acesso em jun. 2018.
ELIAS, T. Learning Analytics: Definitions, Processes and Potential. 2011 Acesso em maio 2018.
ÉTICA EM IA E O FUTURO DA HUMANIDADE. Embriagados pela tecnologia, chegamos ao ponto de perguntar o que é parecer — e ser — humano. Acesso em jun. 2018.
GALAFASSI, F.F.P., GALAFASSI C., GLUZ J.C., VICARIR.M., PERES R.K. Heráclito: Learning Environment to Teach Logic. In: Demazeau Y., Davidsson P., Bajo J., Vale Z. (eds) Advances in Practical Applications of Cyber-Physical Multi-Agent Systems: The PAAMS Collection. PAAMS 2017. Lecture Notes in Computer Science, vol 10349. Springer, 2017. Acesso em jun. 2018.
GLUZ, J. C.; PENTEADO, F., MOSSMANN, M., VICARI, R. M. Heraclito: a Dialectical Tutor for Logic. In: Portuguese Conference on Artificial Intelligence, EPIA, 2013, Açores, Portugal. 16th Portuguese Conference on Artificial Intelligence, EPIA 2013, Proceedings. New York: Springer, 2013. v. 8154. p. 1-2, 2013. Acesso em maio 2018.
GRZYBOWSKI, M. Educational, Technologies in Sauth Korea. General and Professional Education 1/2013 pp. 3-9 ISSN 2084-1469, 2012. Acesso em jun. 2018.
HERÁCLITO. Ambiente Heráclito para ensino de Lógica. Acesso em mai. 2018.
HOLOAD. Propaganda holográfica em 3D. Acesso em maio 2018.
HOLT, P.; WOOD, P. Intelligent Tutoring Systems: A Review for Beginners. Canadian Journal of Educational Communication, 19(2), 107, 1990. Acesso em maio 2018.
McCARTHY, J. What is artificial intelligence. 2007. Acesso em mai. 2018.
NMC Horizon Report. Higher education edition. 2017. Acesso em: mar. 2018.
OECD. Reporter Students Computers and Learning. 2015. Acesso em: mai. 2018.
ORTONY, A.; CLORE, G.L.; COLLINS, A. The Cognitive Structure of Emotions. Cambridge University Press, Cambridge, UK, 1988. Acesso em maio 2018
SELF, J. A. Bypassing the intractable problem of student modelling. Intelligent tutoring systems: At the crossroads of artificial intelligence and education, 41, 1-26, 1990. Acesso em mai. 2018.
TABAA, Y.; MEDOURI, A. LASyM: a learning analytics system for MOOCS. International Journal of Advanced Computer Science and Applications, v. 4, n. 5, p. 113-119, 2013. Acesso em jun. 2018
VICARI, R.M. Tendências em Inteligência Artificial na Educação no Período de 2017 a 2030. UNESCO, 2017.
Sobre a autora
(http://lattes.cnpq.br/5098313138514050)
Possui doutorado em Engenharia Electrotécnica e Computadores pela Universidade de Coimbra (1990). Professora titular da Universidade Federal do Rio Grande do Sul. Atua na área de Ciência da Computação, principalmente nos seguintes temas: sistemas multiagentes, sistemas tutores inteligentes, informática na educação e educação a distância. Coordena a Cátedra na área de TICs, da Unesco, na UFRGS.
Como citar este capítulo
VICARI, Rosa Maria. Inteligência Artificial aplicada à Educação. In: PIMENTEL, Mariano; SAMPAIO, Fábio F.; SANTOS, Edméa O. (Org.). Informática na Educação: games, inteligência artificial, realidade virtual/aumentada e computação ubíqua. Porto Alegre: Sociedade Brasileira de Computação, 2021. (Série Informática na Educação CEIE-SBC, v.7) Disponível em: <https://ieducacao.ceie-br.org/inteligenciaartificial>
Muito legal!!!
Parabéns a todos os envolvidos!!
Orgulho dessa comunidade!!!!
Sucesso!!!