Fui para New York no meio de maio como parte de uma missão do Observatório Brasileiro de Inteligência Artificial, realizada no Teachers College da Universidade de Columbia. Eram cinco dias de imersão sobre IA e educação, reunindo pesquisadores, gestores do terceiro setor e professores universitários do Brasil e dos EUA.
O primeiro dia começou com Paulo Blikstein contando a história do Transformative Learning Technologies Lab e apresentando projetos que, entre outras coisas, investigam como a tecnologia pode aprofundar a compreensão sobre o aprendizado humano em vez de simplesmente automatizá-lo. Conhecer um pouco do que o TLTL faz em NY por si só já uma baita experiência. Basicamente são pessoas de formações diversas focados em pensar em propostas significativas e transformadoras de como ensinar. Desde usar softwares, hardwares como a Gogo Board ou mesmo criando e pesquisando sobre o impacto da tecnologia no ensino e no aprendizado.
No mesmo dia,fomos ao Data Science Institute para uma conversa com Elias Bareinboim sobre causalidade: a diferença entre saber o que está acontecendo e entender por quê.
Bareinboim dirige o Causal Artificial Intelligence Lab e trabalha com o que chama de Inteligência Artificial Causal, uma distinção que parece puramente técnica, mas tem implicações diretas para quem pensa educação.
A IA generativa convencional, a dos grandes modelos de linguagem que todo mundo usa hoje, opera na camada da associação. Ela aprende padrões a partir de dados observacionais e replica esses padrões com uma sofisticação impressionante. Mas ela não pergunta por quê. Ela não distingue correlação de causalidade e, por isso, pode ser enganada por relações espúrias nos dados. O exemplo que Bareinboim usou foi a tentativa de tentar envelhecer o rosto de uma mulher em uma foto, um modelo puramente generativo pode inadvertidamente mudar o gênero da pessoa, porque no conjunto de treinamento as duas coisas estavam correlacionadas. O modelo não entende que envelhecer e mudar de gênero são fenômenos independentes.
A IA Causal propõe ir além disso. Em vez de aprender só o que aconteceu, ela é estruturada para raciocinar sobre o que aconteceria se uma variável fosse alterada, e sobre o que teria acontecido se as condições fossem diferentes. São as camadas da intervenção e do contrafactual: “o que acontece se eu fizer X?” e “o que teria acontecido se eu tivesse agido diferente?” Chegar a essas respostas de forma confiável exige que o modelo incorpore suposições causais explícitas, não apenas ajuste estatístico.
Para a educação, achei relevante pensar, pois em um sistema que opera apenas por associação pode prever que um estudante vai ter dificuldade. Um sistema causal pode, em tese, inferir a causa dessa dificuldade e propor uma intervenção precisa.
No segundo dia, Jeremy Roschelle, do Digital Promise, apresentou o percurso de sua organização e durante a discussão ficamos pensando que mesmo com muitas evidências, ainda não existe uma IA capaz de ajudar estudantes a pensar. O que existe são ferramentas que ajudam a chegar a respostas corretas. Não é a mesma coisa. Victor Lee, de Stanford, trouxe dados dos distritos escolares norte-americanos e apresentou o que chamou de Triângulo UDC de Letramento em IA, com três perspectivas que nenhuma escola deveria tratar separadamente: usuário, desenvolvedor e crítico. Rodrigo Duran, da UnB, propôs uma reconfiguração do ensino introdutório de programação em que o ponto de entrada não seja a lógica matemática, mas o processo de identificar e depurar problemas. Os pesquisadores do próprio Observatório também apresentaram seus trabalhos: Geisiele, sobre IA e educação para as relações étnico-raciais; Camila, sobre agência docente diante das plataformas; e Clauirton, sobre a qualidade dos diálogos entre estudantes e sistemas de IA.
O terceiro dia foi de visitas e conversas. Nathan Holbert nos recebeu no Digital Futures Institute e mostrou projetos que colocam estudantes como criadores de IA, não apenas usuários. Carolina Sotério apresentou sua pesquisa sobre aprendizado científico com chatbots de baixo custo que rodam localmente, sem acesso à internet. Adelmo Eloy mostrou o projeto CLIC, que integra computação e currículo sem criar um eixo separado para isso. À tarde, Chris Proctor falou sobre literacia, poder e design educacional; Iryna Lyublinskaya, sobre formação docente e as diferenças culturais que moldam o que se entende por letramento em IA; e Raquel Coelho trouxe a importância do espaço e das instalações nele para argumentar que muitas vezes falamos de de qual tecnologia usar, mas pouco nos preocupamos com que tipo de ambiente queremos construir. Isso conecta muito com nossas experiências na educação infantil, preparamos espaços, cantos, brincadeiras, quando crescemos o espaço passa a ser sempre quadrado, reto, branco etc.
Para além de tudo isso, claro, o que mais me deixou feliz foi ir num encontro falar sobre um dos assuntos que mais amo: EDUCAÇÃO. Isso é importante para mim, pois sou pedagoga (além de Engenheira da Computação) e atuo no ensino de computação e confesso que normalmente as pessoas não querem saber como é estar em sala de aula e ensinar para crianças, adolescentes e adultos. Normalmente as pessoas gostam de FALAR de educação, ninguém quer ouvir educadores, educadores não tem muitas oportunidades de experienciarem diferentes espaços, histórias.
Estar em outro país, conhecendo o primeiro espaço dedicado a formar professores nos EUA foi incrível demais. Debater sobre IA e Computação com essas pessoas foi uma das experiências mais maneiras que vivi.
Muito obrigada pessoal 🙂
@femascheti 