Categoria: computação

  • Por que a educação chega atrasada?

    Por que a educação chega atrasada?

    Estou lendo o livro Educação e emancipação, do Theodor Adorno. É uma coletânea de textos. E pensei em trazer aqui uma reflexão a partir de um deles, intitulado Televisão e formação.

    O texto é uma conversa entre o Adorno e o professor Hellmut Becker.

    E eu fico pensando que toda vez que surge uma tecnologia nova, a gente repete mais ou menos o mesmo gesto: primeiro ignora, depois demoniza, depois naturaliza. E só muito tarde resolve ensinar.

    No texto sobre televisão, o Adorno e o Becker estão falando de outra coisa, mas ao mesmo tempo estão falando exatamente disso. Eles não dizem que a televisão é má em si. O que eles apontam — e isso me chama muito a atenção — é o risco de uma geração começar a formar imagens do mundo antes de viver o mundo.

    Vou ler o trecho que motivou essa conversa:

    Becker — Posso sugerir uma versão bem direta da questão? Penso que no fundo existe o perigo de os jovens procurarem imaginar o amor, por exemplo, tal como ele é apresentado na tevê, isto é, assumam para relações humanas muito diretas representações estereotipadas antes que eles mesmos as tenham vivido. E que em seu próprio desenvolvimento procedam fixados em representações estereotipadas.

    Quando o Becker fala do amor aprendido pela televisão, o problema não é o amor. É o modelo. É o fato de alguém chegar à própria experiência já ocupado por imagens prontas, por roteiros prévios, por expectativas que não nasceram do contato, mas da repetição.

    Explico melhor: uma criança cresce assistindo, na televisão, que o amor verdadeiro envolve sofrimento antes do “felizes para sempre”. Quando essa pessoa encontra um amor em que não há sofrimento, ela pode achar que aquilo não é amor de verdade. Que está faltando alguma coisa. O modelo antecede a experiência.

    E aí eu começo a pensar: isso não é só televisão. A televisão foi um caso. Depois veio o computador. Depois a internet. Depois os algoritmos. Agora, a inteligência artificial.

    E o padrão parece o mesmo. A tecnologia entra na vida cotidiana com uma força enorme, moldando percepção, linguagem, desejo — mas a educação chega sempre atrasada. Como se ensinar sobre o meio fosse opcional, e não parte da formação básica.

    A gente não ensinou a ler televisão. Não ensinou a perceber que enquadramento, montagem, repetição, estereótipo são formas de linguagem, e que linguagem carrega discurso. Depois, não ensinou computação como forma de pensamento, apenas como ferramenta. Não ensinou algoritmo como lógica que organiza o mundo, só como algo técnico, distante. E agora, diante da inteligência artificial, parece que estamos prontos para repetir tudo de novo.

    Porque a IA já está produzindo texto, imagem, decisão, sugestão, resposta. Já está ocupando o lugar do “como se faz”, do “como se escreve”, do “como se pensa”. E a pergunta não é se isso é bom ou ruim. A pergunta é: o que acontece quando alguém aprende a imaginar antes de aprender a compreender? Ou ainda: o que acontece quando alguém passa a sentir algo com máquinas antes de viver essas experiências no mundo?

    Talvez o risco seja o mesmo que Adorno apontava: não o uso da tecnologia, mas a fixação. A cristalização de formas. A substituição da experiência por modelos. A troca do processo pelo resultado.

    E aqui entra um ponto central da educação. Existe hoje um discurso muito forte quando se fala em implementar IA: “precisa acelerar”, “precisa aumentar a eficiência”, “precisa reduzir o tempo gasto”. Mas, quando a gente fala de aprendizado, o tempo gasto é necessário. Os estudantes precisam viver esse tempo. Os erros, as horas, a demora fazem diferença.

    Se antes o jovem aprendia o amor pela televisão, agora talvez aprenda o pensamento pela IA — e talvez até o sentimento. Não porque a IA pense ou sinta, mas porque ela entrega formas prontas de pensamento e oferece exatamente aquilo que a pessoa quer sentir. E sem educação crítica, sem alfabetização nesse novo meio, a gente corre o risco de formar sujeitos que operam sistemas sem nunca atravessá-los.

    No fundo, a discussão continua sendo sobre emancipação. Sobre formar pessoas capazes de perceber o que as forma. Capazes de olhar para o meio, e não apenas através dele. Capazes de usar a ferramenta sem confundir a ferramenta com o mundo.

    Talvez a pergunta que fique não seja “o que a inteligência artificial vai fazer com a educação?”, mas “por que a educação sempre chega depois?”. E se, dessa vez, ainda der tempo de chegar junto.

  • Estrutura de dados: registros

    Estrutura de dados: registros

    Registros formam uma das estruturas de dados mais tradicionais da computação. No fundo, trata-se somente de organizar informações de um jeito claro e consistente. Registros são conjuntos de dados compostos por partes nomeadas. Eles aparecem em fichas escolares, cadastros, boletins, coleções e em praticamente qualquer sistema digital que conhecemos.

    Essa lógica aparece na habilidade da BNCC Computação EF04CO02, que propõe que estudantes reconheçam objetos do mundo real que podem ser representados como registros e realizem pequenas manipulações sobre essas representações. A BNCC destaca que registros ajudam a abstrair a complexidade, escondendo detalhes para que possamos enxergar um objeto como uma unidade, apesar de ele ser formado por múltiplas partes. A carteirinha de estudante, por exemplo, não é um caos de dados. Ela é um conjunto organizado, nome, data de nascimento, turma, código. Cada campo é um componente. Juntos, eles formam um registro.

    A intenção é formar uma base sólida de pensamento computacional, onde organizar informação é tão importante quanto escrever código.

    E, no fundo, faz sentido. Embora listas, matrizes, registros e grafos compartilhem raízes matemáticas (a Computação não deixa de ser uma matemática aplicada), a forma como visualizamos os dados muda a forma como pensamos sobre eles. Determinadas estruturas favorecem associações concretas; outras pedem abstrações mais fortes. Mostrar diferentes jeitos de estruturar informações abre espaço para que estudantes criem modelos mentais mais flexíveis e sofisticados.

    Para trabalhar registros, faz sentido usar representações acessíveis. Tabelas são uma porta de entrada natural, pois se aproximam do cotidiano, fichas de cadastro, planilhas simples, informações em coluna e linha. Isso pode ser feito usando tabelas impressas, criadas no caderno, planilhas existentes para os mais avançados. A aplicação abaixo foi criada por mim para refletir sobre o conceito de registros.

    Fonte: https://registros-tabela.vercel.app/

    E, ao mesmo tempo, cartões funcionam como outro modo de representar registros, conectando a atividade a coleções e atributos. Cada item da coleção pode ser representado por um emoji ou um desenho, ganhar um nome, uma pequena descrição e um conjunto de características. É o formato mais intuitivo, ideal para estudantes que já lidam naturalmente com coleções, figurinhas, personagens ou objetos organizados por atributos. Aqui, registro é sinônimo de história, identidade e detalhes que tornam cada item único.

    A construção pode ser feita criando cartões no papel, com desenhos dos estudantes, também podem ser feitas com recursos digitais como, slides, ambientes de desenho. A aplicação abaixo foi criada buscando trazer a organização em registros para os estudantes, nela os estudantes criam suas “Coleções”, dão nome para ela, criam seus elementos usando atributos/características, selecionando imagens ou criando suas próprias representações. Ela está acessível aqui.

    Fonte: https://colecao-registros.vercel.app/

    Essas abordagens reduzem a carga cognitiva e aumentam o espaço para exploração. Estudantes podem brincar de organizar, classificar, manipular e transformar registros de forma lúdica e intencional. E esse é o ponto, a intencionalidade pedagógica. As mesmas representações podem servir para estudar atributos, trabalhar comparação, criar pequenas bases de dados ou simplesmente organizar itens para um jogo.

    Independentemente da estratégia escolhida, o objetivo é mostrar que a computação não começa com código. Ela começa com modos de pensar e representar informação. Registros são uma das portas de entrada mais claras para essa compreensão, pois aproximam a lógica computacional do mundo concreto que as crianças já conhecem, permitindo que enxerguem estrutura onde antes havia apenas dados soltos.

  • Sobre AI Studio

    Vou falar um pouco do Google AI Studio, do meu processo de criação e do que penso sobre vibe coding, mas sou uma pessoa de contextos, e não sei começar sem eles.

    Defendo muito que aprender, na educação, não pode ser algo descolado da realidade. Crianças e jovens precisam ser guiados por grandes questões, daquelas que não têm respostas óbvias. Até porque, se a resposta for simples, já sabemos onde encontrá-la, né?

    No caminho, nós, professores, vivemos desafios diários. Sempre aparece um “Como ensinar [insira aqui um tópico cabeludo]”. Recentemente, foi: como ensinar tomada de decisão baseada em dados? Que decisão? Que dados?

    Algumas coisas não estão dadas. E aí começa meu ritual: abro 300 abas, visito sites brasileiros e internacionais, leio artigos, busco bases de dados acessíveis, baixo 1.423 arquivos, limpo dados, reduzo CSV para algo fácil e acessível… penso em estratégias, mudo de ideia, volto a pesquisar, abro mais 200 abas. É um ciclo meio penoso, mas, para mim, incrivelmente gratificante (juro).

    No caso da “tomada de decisão”, me inspirei em uma questão de Ciências que propunha escolher a matriz energética de uma cidade fictícia. A partir dela, criei um projeto que simula informações para apoiar a decisão. É uma simulação simples, mas que conecta habilidades de Computação com um problema real que envolve diferentes áreas do conhecimento.

    Esse é o ponto: explorar a computação é conectar estudantes com problemas, situações e soluções que eles podem levar para a vida.

    Compartilho aqui o projeto criado (e que, claro, precisa estar inserido em um processo maior, não como atividade isolada) e que foi desenvolvido no Google AI Studio, usando a função Build. É uma ferramenta para fins educacionais, então é claro que não está com dados de mercado. Mas ajuda a compreender/simular a situação.

    Vejo uma oportunidade no Google AI Studio para que professores (e qualquer outro profissional) explorem projetos capazes de resolver ou apoiar a solução de problemas reais, focando menos no como programar e mais no que criar.

    Claro, para isso, é preciso intencionalidade. Para mim, vibe coding não é sobre programadores resolvendo problemas de computação, e sim sobre profissionais de qualquer área usando a computação como ferramenta para enfrentar desafios que vão muito além da computação e meu ponto aqui é para que docentes se apropriem de ferramentas de IA para potencializarem as aprendizagens dos estudantes.

  • Texto humano ou IA?

    A (in)certeza da detecção no mundo dos LLMs

    Quem nunca jogou aquele texto antigo do seu João escrito em 1994 num detector de IA e ficou surpreso ao ver que ele supostamente já usava inteligência artificial avançada naquele tempo? Pois é. A detecção de textos gerados por IA é uma tarefa fascinante, mas cheia de armadilhas e incertezas.

    Hoje, com a popularização dos Modelos de Linguagem de Grande Escala (LLMs), como o ChatGPT e seus primos, a capacidade de gerar textos extremamente convincentes levantou preocupações sérias: como saber se um texto foi realmente escrito por uma pessoa ou por uma máquina?

    Este artigo resume a análise de quatro textos acadêmicos sobre o tema da detecção de texto gerado por IA, explicando os principais métodos utilizados, os desafios enfrentados e por que essa tarefa continua sendo tão difícil — mesmo com toda a tecnologia à disposição.

    Por que precisamos detectar textos gerados por IA?

    A detecção não é somente uma curiosidade técnica. Ela é necessária por vários motivos muito concretos:

    • Combate à desinformação: IAs podem gerar notícias falsas com aparência legítima.
    • Integridade acadêmica: Universidades se preocupam com plágio e uso indevido de ferramentas de geração de texto.
    • Qualidade da informação online: Um mar de textos artificiais pode contaminar a web com informações redundantes ou irrelevantes.
    • Segurança digital: LLMs podem ser usados para criar spams ou tentativas de phishing altamente realistas.
    • Propriedade intelectual: A IA pode reproduzir conteúdos protegidos sem autorização.
    • Transparência e ética: Saber se um conteúdo foi gerado por IA é fundamental para a responsabilidade digital.

    Como funciona a detecção de texto de IA?

    Existem diversas abordagens para identificar se um texto foi gerado por máquina ou escrito por humanos. Abaixo, um panorama das principais:

    1. Classificadores treinados do zero

    Modelos simples, como regressão logística, treinados com muitos exemplos de textos humanos e textos de IA. São eficazes, mas precisam de muitos dados e sofrem para generalizar para outros contextos.

    2. Classificadores zero-shot

    Usam modelos pré-treinados (como GPT-2 ou GROVER) sem precisar de novos dados de treinamento. Ferramentas como GLTR e DetectGPT são exemplos. Alguns funcionam bem, mas são vulneráveis a estratégias simples como reescrever o texto com sinônimos.

    3. Modelos ajustados (fine-tuning)

    Modelos como o RoBERTa podem ser ajustados especificamente para detectar textos de IA, com desempenho excelente em cenários controlados. Porém, demandam muitos exemplos e não se saem bem com dados “do mundo real”.

    4. Marca d’água (Watermarking)

    Adicionam sinais “invisíveis” durante a geração do texto. Assim, fica mais fácil identificá-los depois. A ideia é promissora, mas ainda suscetível a ataques, como paráfrases automáticas que removem o padrão inserido.

    5. Métodos baseados em estatísticas

    Detectam padrões estilísticos (como vocabulário mais simples, estruturas repetitivas ou ausência de certos vícios humanos). Não exigem acesso ao modelo gerador, mas também têm limitações.

    6. Detecção com redes neurais profundas

    Usam aprendizado contrastivo, adversarial ou até o próprio LLM como detector. Porém, há evidências de que modelos como o ChatGPT e o GPT-4 cometem muitos erros ao tentarem detectar textos de IA — inclusive confundindo textos humanos com IA.

    7. Colaboração humano-máquina

    Ferramentas que mostram visualmente padrões suspeitos para que humanos possam julgar com mais informação. Um exemplo é o GLTR, que combina dados estatísticos com visualizações.

    Quais são os desafios?

    Mesmo com toda essa tecnologia, a detecção ainda é um campo incerto. Aqui estão alguns dos principais obstáculos:

    • A IA está ficando boa demais: LLMs modernos geram textos tão fluentes e coerentes que enganam facilmente tanto humanos quanto detectores.
    • Modelos maiores são mais difíceis de detectar: Quanto mais avançado o modelo (de linguagem), mais natural o texto.
    • Baixa generalização: Um detector treinado com GPT-2 pode falhar totalmente ao tentar detectar textos do GPT-4.
    • Ataques de evasão: Pequenas mudanças no texto (como erros propositais ou paráfrases) podem “enganar” o detector.
    • Dados mistos ou editados: Um texto com trechos humanos e gerados por IA é muito difícil de classificar corretamente.
    • Falsos positivos e negativos: Detectores atuais ainda cometem muitos erros — às vezes, até rotulando textos 100% humanos como gerados por IA.

    Sim, estamos longe de uma solução perfeita

    A detecção de texto gerado por IA é um campo em desenvolvimento. Há muitos avanços importantes — alguns métodos chegam a atingir quase 100% de precisão em ambientes controlados. Mas no mundo real, onde os textos são editados, misturados, traduzidos ou intencionalmente modificados, a história é bem diferente.

    O desafio é enorme, e talvez permanente. À medida que os modelos evoluem, os detectores precisam correr atrás. Enquanto isso, seguimos com uma certeza desconfortável: nem tudo que soa humano foi, de fato, escrito por um.

    Pode ser que surja a dúvida “E aí, Fernanda, seu post foi escrito por IA?

    Fiz a leitura e fichamento de alguns artigos relevantes para esse estudo e pedi para o ChatGPT me ajudar a estruturar meus pensamentos em uma postagem para blog. 👀


    Referências

    GHOSAL, Soumya Suvra et al. A survey on the possibilities & impossibilities of AI-generated text detection. Transactions on Machine Learning Research, 2023.

    JAWAHAR, Ganesh; ABDUL-MAGEED, Muhammad; LAKSHMANAN, Laks VS. Automatic detection of machine generated text: A critical survey. arXiv preprint arXiv:2011.01314, 2020.

    QU, Chenfan et al. Revisiting tampered scene text detection in the era of generative AI. In: Proceedings of the AAAI Conference on Artificial Intelligence. 2025. p. 694-702.

    WU, Junchao et al. A survey on LLM-generated text detection: Necessity, methods, and future directions. Computational Linguistics, p. 1-66, 2025.

  • Ciência de dados na Educação Básica? 

    Ciência de dados na Educação Básica? 

    Sim, por favor!

    Em janeiro, participei de uma oficina sobre visualização de dados com programação. Preciso dizer: sou uma pessoa muito ligada à estética das coisas (minha mãe até hoje fica meio decepcionada por eu ter abandonado minha “possível carreira promissora na arte” para estudar engenharia 😅).

    Isso significa que adoro pensar em como apresentamos as coisas. E convenhamos: não é porque é exatas que precisa ser feio, né?

    Na oficina, o pessoal do TLTL apresentou os gráficos incríveis da artista Krisztina Szucs, que transforma estatísticas da UEFA Champions League em obras de arte! Isso aqui amigos: dados, futebol e arte, tudo junto e misturado. 🤌

    Agora, imagina ensinar análise e visualização de dados explorando princípios de design para criar gráficos tão interessantes quanto esses? Peguei algumas habilidades da BNCC de Computação que vocês podem desenvolver:

    🎈 Pode começar lá nos anos iniciais, tá? A habilidade EF04CO01 trabalha com representação através de matrizes e coordenadas, importante para construir gráficos, tabelas e infográficos.
    🎈 Nos anos finais, eles podem construir soluções computacionais e selecionar estruturas de dados adequadas (EF08CO04).
    🎈 O Ensino Médio é o único segmento que tem realmente habilidade visando análise de dados, aí dá para voar amigos, produzir, analisar e compartilhar informações usando princípios de ciência de dados (EM13CO12).

    O mais legal? Dá para incentivar os estudantes a explorar diferentes formas de representar seus dados, conectando com seus interesses e criatividade.

    👀 Quem aí entendeu certinho o que está rolando nesse gráfico? Eu não sou muito do futebol, então precisei de uma apreciação inicial para entender (haha). Se você também não é, eu explico: o gráfico usa triângulos sobrepostos para comparar a pontuação de ARG (8 pontos, em laranja) e IND (5 pontos, em preto), representando a diferença de gols, a ordem ou o tempo em que eles foram marcados ao longo do jogo.

    Jogo emocionante esse!

    E me conta: qual seria a temática preferida dos estudantes aí? Confesso que escolhi de futebol, porque vejo muitos estudantes apaixonados por futebol, independente de raça, idade, gênero e classe social.

    Fonte da imagem: Plot Parade | 44 World Championship – Sample Generated Data – May 5, 2023 [link aqui]

  • Seguir tutorial, não é ensinar computação.

    Seguir tutorial, não é ensinar computação.

    Esse é o maior dos cuidados que tomo diariamente no meu trabalho. Projetos em computação precisa incentivar a resolução de problemas (diversos) com técnicas computacionais. Veja bem, tem uma diferença aqui, não estamos ensinando a técnica pela técnica, estamos ensinando a usar a técnica para resolver um problema que tenho, que o estudante encontra no seu território, que a sociedade tem.

    Esse é o ponto da educação em tecnologia, não deveria ser sobre ensinar a técnica, isso é exatamente aquele argumento “A IA pode ensinar isso.”

    Não, ela não pode fazer meu trabalho melhor do que eu!

    Devemos parar de reduzir o ensino de computação somente a isso.

    Se ensinar computação fosse somente seguir um tutorial, então qualquer um que assiste a um vídeo ou copia um código já teria aprendido. Mas, por que será que tanta gente não consegue resolver problemas complexos computacionais? Temos um monte por aí! Só jogar numa IA e ela resolve, não é?

    O aprendizado acontece quando há espaço para experimentação, erro, adaptação e, principalmente, para conectar o conhecimento técnico à realidade do estudante.

    Fico meio triste de ter que falar isso ainda em 2025.

    Quando alguém me fala de substituir professor por uma IA lembro daquele meme: “Eu não sou má, mas fico pensando o que uma pessoa má faria.” Por que em que realidade essa pessoa está? Quantas salas de aula já entrou? Para quantas pessoas essa pessoa já lecionou algo na vida?

    Ok, OK. Existe muita coisa que a educação deve mudar. Mas essas pessoas realmente acham que colocar uma máquina para fazer é a melhor solução?

    Amigo, a gente não tem internet de fácil acesso a todo o território ainda. 2025!

    Segundo dados, 29% das escolas estaduais e municipais possuem dispositivos como computadores, notebooks ou tablets. Sendo 1 dispositivo para cada 10 estudantes. Somente 3.640 escolas das 32.379 escolas monitoradas cumprem a meta de velocidade de conexão estipulada pela Estratégia Nacional de Escolas Conectadas que recomenda pelo menos 1Mbps por aluno.

    Fonte: CGI.br

    Ta, sua IA te ajuda a fazer alguma coisa. Mas aí achar que ela consegue tomar decisão, expressar a amorosidade necessária que uma sala de aula necessita? Não é possível né, que eu precise falar o óbvio.

    Educação é sobre mediação, não sobre entrega de informação (estamos nessa discussão a quantos anos? Décadas?).

    Educação exige um papel ativo do estudante, e um estudo da OCDE mostra o quanto essa atitude proativa impacta o aprendizado. Menos da metade dos estudantes nos países da OCDE tenta conectar o que aprende agora com o que já aprendeu antes na escola. Isso significa que muitos estão somente consumindo informação sem fazer conexões — e sabemos que sem isso, o aprendizado não se fixa. Como um assistente, um tutorial consegue suprir esse gap?

    Se queremos um ensino de computação significativo, ele precisa ser sobre pensamento computacional, sobre resolver problemas reais, sobre interação humana. O professor é peça-chave nisso. Uma IA pode gerar código, mas não pode perceber a frustração no olhar de um estudante, nem incentivá-lo a pensar além do óbvio.

    No fim, o que estamos discutindo aqui é o que queremos para a educação: formar estudantes que só executam comandos ou que realmente pensam computacionalmente?

    Por isso, reduzir o ensino de computação a “seguir um tutorial” não só enfraquece a formação dos estudantes, como também alimenta a ilusão de que um professor pode ser substituído por uma IA. Ensinar computação é sobre formar pensadores computacionais, não operadores de código.

    Para concluir, lembrei aqui que a série “The Bear” representa o papel do educador em muitos momentos. Não é só sobre técnica, não é só sobre paixão, é sobre paixão e técnica aplicados em um propósito. Que propósito tem de seguir o tutorial? Que propósito pode ter uma IA no lugar de um professor?