Categoria: educação

Antes do modelo, o dado: a inversão pedagógica no ensino de inteligência artificial

Um incomodo meu como professora na área da Computação e agora mais recente, ensinando sobre Inteligência Artificial, o de que existe uma sequência que se tornou quase canônica nos cursos do mercado. Basicamente, inicia assim, apresenta-se o problema, carrega-se um dataset, treina-se um modelo, avalia-se a acurácia. O dado aparece sempre como insumo, algo que já está dado, como o próprio nome sugere e o modelo como o objeto de interesse intelectual. Essa inversão tem consequências pedagógicas e epistemológicas que raramente são discutidas e que vou tentar nomeá-las.

A tese é: quem não aprende a origem de uma solução não consegue reconhecer problemas novos, aprende a executar e não a criar.

Uma aula sobre MongoDB

Recentemente, meus estudantes do curso técnico em inteligência artificial estavam aprendendo banco de dados. Seguimos uma sequência deliberada: primeiro modelagem conceitual, depois estrutura relacional em MySQL e só então banco de dados não relacional com MongoDB. Na metade de uma aula sobre MongoDB, a maioria da turma já estava operando com segurança. Mas é claro, e isso não tem nada a ver com o MongoDB ser intuitivo ou bonitinho. É que, uma vez compreendida a rigidez dos bancos relacionais, a flexibilidade do não relacional faz sentido imediato. Os estudantes estavam aprendendo uma nova sintaxe E entendendo por que ela existe.

Esse “por que da exostência” é muita coisa.

O MongoDB não surgiu porque alguém quis simplificar a vida dos desenvolvedores. Surgiu porque o modelo relacional, criado para um mundo de dados estruturados e previsíveis, começou a encontrar seus limites diante de volumes massivos, dados heterogêneos e necessidade de escala horizontal. O NoSQL é uma resposta a um problema histórico (um problema sobretudo humano num contexto histórico específico). Quem aprende MongoDB sem ter aprendido SQL não sabe o que o MongoDB resolve e por isso não sabe quando ele é a resposta errada, nem consegue imaginar o que seria necessário quando nenhum dos dois for suficiente.

Agora, inverta essa sequência, ensine NoSQL primeiro porque “é o mais usado em projetos de IA” e quando esse profissional precisar resolver problemas no futuro onde a solução adequada é um banco relacional você vai ver como será um caminho tortuoso.

O mesmo problema, em escala maior

A mesma coisa acontece com toda a área de Inteligência Artificial, uma arquitetura transformer não surgiu do nada. Surgiu das limitações das redes recorrentes para lidar com dependências de longo prazo em sequências. O mecanismo de atenção foi proposto como solução a um problema específico e documentado. O GPT é uma resposta a perguntas que pesquisadores levavam anos tentando responder. Quem aprende a usar modelos pré-treinados sem nenhuma noção de estrutura de dados, sem entender o que é um atributo, o que é uma relação, o que significa representar o mundo em formato tabular ou vetorial é um profissional que opera uma solução sem ter a menor ideia do problema que ela resolve. Uma incapacidade de perceber quando a ferramenta disponível é inadequada para o problema em mãos, e a incapacidade ainda maior de contribuir com o que ainda precisa ser construído.

Um currículo que pula a fundação para chegar logo aos resultados impressionantes forma, sistematicamente, trabalhadores que sabem criar agentes de IA com ferramentas prontas, mas não conseguem treinar um modelo do zero, questionar a estrutura de um dataset, ou projetar arquiteturas para problemas que ainda não têm solução no mercado. A sequência de aprendizagem define o horizonte do que o profissional consegue imaginar fazer (no presente e no futuro). Se torna um profissional deslumbrado (ou maravilhado) pelas por todas as soluções tecnológicas que vê, entretanto, mesmo formado na área não é capaz de construir suas próprias soluções para problemas semelhantes ou nos quais quer resolver.

Estrutura como teoria do mundo

Aprender estrutura de dados não é aprender a programar melhor. É aprender que toda organização de informação implica uma teoria sobre o que existe, o que importa e o que pode ser comparado.

Quando se define que um campo é do tipo VARCHAR(255), está-se tomando uma decisão sobre o que pode ser dito naquele espaço. Quando se normaliza uma tabela, está-se afirmando algo sobre quais relações são independentes entre si. Quando se escolhe uma chave primária, está-se definindo o que individualize uma entidade no mundo modelado.

A própria noção de entidade, atributos, relacionamentos pressupõe escolhas de abstração escolhidas por pessoas (sejam as que programa, sejam as que administram o negócio).

Essas decisões nunca são neutras. O banco de dados de uma clínica que armazena gênero como campo binário não é apenas um banco de dados tecnicamente limitado é um banco de dados que produz invisibilidade de diferentes pessoas. O sistema de avaliação escolar que registra apenas notas numéricas não capta o que não foi previsto como mensurável. A estrutura do dado é sempre uma ontologia operacional e ontologias têm política.

Álvaro Vieira Pinto (2005), aponta que a alienação tecnológica começa quando o ser humano deixa de reconhecer nos artefatos o produto de suas próprias escolhas históricas. Ensinar estrutura de dados é, nesse sentido, um ato de desfetichização, mostrar que antes do modelo há uma tabela, antes da tabela há um modelo conceitual, antes do modelo conceitual há uma decisão sobre o que conta como real.

Uma questão curricular com consequências

O debate sobre o que ensinar primeiro em IA é uma questão sobre que tipo de profissional o mercado e a sociedade vão ter disponível para lidar com sistemas que já organizam crédito, saúde, educação e segurança pública. Ainda há um problema adicional no qual eu gosto de trazer com frequência e que agrava esse quadro: o sequestro da metodologia de projetos.

A aprendizagem baseada em projetos (Project-Based Learning) tem estrutura definida. Parte de um problema autêntico, exige investigação, envolve colaboração e, sobretudo, requer reflexão contínua sobre o processo. O que uma parcela significativa dos cursos de tecnologia chama de “aprendizagem por projetos” é outra coisa. Entregar um projeto não é trabalhar com PBL. Uma pessoa pode construir um chatbot funcional sem ter passado por nenhuma das etapas que a metodologia pressupõe, sem ter formulado o problema, sem ter investigado alternativas, sem ter refletido sobre o que aprendeu no percurso.

Essa confusão é bastante propícia nos currículos, ela busca nas teorias educacionais uma maneira de justificar a precarização da formação tecnológica, segue a mesma lógica que atravessa todo este ensaio: tomar o resultado como prova do processo. Assim como ensinar a usar um modelo pré-treinado é tratado como equivalente a ensinar inteligência artificial, entregar um projeto é tratado como equivalente a aprender por projetos. Em ambos os casos, estamos ocultando o percurso (as dores e as delícias do processo de aprender) e é no percurso que está a aprendizagem real.

Thomas e Mergendoller (2000), ao sistematizar os elementos centrais do PBL fazem a distinção entre um projeto educativo de uma tarefa complexa apontando que é a centralidade da investigação sustentada e da reflexão sobre o processo. Sem isso, o projeto é apenas uma embalagem. E embalagens bonitas criam a aparência de profundidade onde existe apenas superfície.

A diferença entre quem opera modelos prontos e quem entende a estrutura que os sustenta não é (somente) uma questão de soft skill versus hard skill. É uma questão de posição epistêmica, afinal, quem tem condições de questionar o que foi construído e de construir o que ainda não existe? Currículos que ensinam IA de trás para frente (do resultado para o fundamento, da ferramenta para o problema, do produto para o processo) são pedagogicamente preguiçosos e fazem uma escolha sobre quem vai ter autoridade técnica e intelectual sobre esses sistemas no futuro.

260601
New York – Maio, 2026

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.

Foto por Erika Fujyama

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.

Foto por Erika Fujyama

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.

Foto por Erika Fujyama

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.

Foto por Erika Fujyama

Muito obrigada pessoal 🙂

260527
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.

251119
Para falar de trabalho com crianças
Não é de hoje que falamos de trabalho, de mundo do trabalho, de “isso dá trabalho”, de mudança de trabalho, de acabar com trabalhos, de máquinas que substituem trabalhos e muitas outras coisas sobre trabalho.

Quantas vezes nos propomos a falar de trabalho para e com as crianças? O que as crianças têm a nos dizer sobre o trabalho e a relação da “mudança do trabalho”?

Me peguei pensando sobre trabalho esses dias, isso não veio do acaso. Li essa habilidade (EF05CO10) Expressar-se crítica e criativamente na compreensão das mudanças tecnológicas no mundo do trabalho e sobre a evolução da sociedade. Ela é da BNCC Computação e tem uma intenção clara e profunda para crianças do 5º ano (aproximadamente 10 anos).

Como uma criança pode se se expressar criticamente sobre a mudança tecnológica no mundo do trabalho?

A primeira coisa que costumo fazer é: quais referências pessoas da educação tem disponíveis sobre esse assunto? E como uma boa curadora de inutilidades fui no YouTube e procurei sobre “história do trabalho”. Tem muita coisa (como é de se esperar nesse grande mundo de vídeos). Pouca ou nenhuma coisa para o público infantil. Achei o vídeo abaixo e gostei como uma introdução ao tema, mas com uma linguagem não tão acessível para crianças brasileiras.

Depois, fui para a segunda opção, que leva mais tempo, mas que para mim é a mais prazerosa. Encontrar livros que falem sobre “trabalho” para crianças. Fui na Amazon, digitei “trabalho para crianças e apareceu alguns livros, dos que apareceram os que me chamaram atenção:
1. Doze profissões para o futuro que começou ontem escrito por Anderson Novello e Daniel Cabral;
2. João procura uma profissão escrito por Jonas Ribeiro e ilustrado por Juliana Basile;
3. Lico e Leco: profissões de Aino Havukainen e Sami Toivonen e tradução de Pasi e Lilla Loman.
Tem outros livros que falam de profissões específicas como: engenharia, cientista, arquiteto, astronauta, dentre outros.
1. Ada Batista, cientista escrito por Andrea Beaty e ilustrado por David Roberts
2. Sofia Pimenta, futura presidenta escrito por Andrea Beaty e ilustrado por David Roberts
3. Paulo Roberto, arquiteto Andrea Beaty e ilustrado por David Roberts
4. Rita Bandeira, engenheira Andrea Beaty e ilustrado por David Roberts
5. Rita e o manual para ser astronauta escrito por Vinicius Campos e ilustrado por Lila Cruz
Essa lista não é de maneira nenhuma extensiva. Alguns livros tenho em casa e por isso foram mais fáceis de lembrar, posso estar esquecendo ou desconhecendo algum, mas queria colocar o que fui encontrando.

Por fim, parti para a busca acadêmica. Afinal, o que os cientistas têm estudado e pesquisado sobre como as crianças pensam, falam, discutem e se preocupam com o trabalho?

A maioria dos estudos que encontrei em português estavam com foco maior no “trabalho infantil”, questão de tamanha importância para a sociedade toda e os estudos eram da área da saúde, das ciências sociais e da psicologia. Mas que me faria sair um pouco do desafio que me proponho a trazer aqui, que tem caráter pedagógico, de como falar sobre trabalho em sequências didáticas, trabalhos e propostas colaborativas em sala de aula. Por isso, trazendo para o contexto no qual me coloquei a falar e no qual não quero desviar, que é como falar de trabalho e do mundo do trabalho para e com crianças, acho relevante trazer uma síntese (minha) sobre alguns estudos lidos:

Para conduzir um diálogo transformador sobre o trabalho, é fundamental adotar uma postura que reconheça as crianças e adolescentes como sujeitos ativos, capazes de produzir sentidos para suas experiências e de serem atores sociais competentes. As metodologias usadas nos estudos analisados foram de Grupo de Discussão ou Grupo de Reflexão e se destacam por criar espaços de fala e intercâmbio. Nesses espaços, o pesquisador atua como parceiro, e a conversa é um dispositivo que permite aos participantes construir outros sentidos para suas experiências individuais, promovendo a reflexão, o questionamento e o surgimento de múltiplos sentidos. O objetivo é ir além do discurso superficial, que tende a reproduzir a lógica capitalista de produtividade e consumo. Ao proporcionar um diálogo sobre o trabalho, o adulto, que atua como mediador, pode enriquecer a experiência das crianças e adolescentes, auxiliando-os a desenvolver uma representação mais objetiva e crítica do mundo do trabalho, e a resgatar o trabalho como uma condição de humanização e uma relação de dupla transformação entre o homem e a natureza, em vez de ser visto apenas pelo seu lado instrumental.

Alguns desses materiais podem ser bons disparadores de conversas sobre trabalho com crianças. Além disso, penso que a melhor maneira de falar de trabalho é falando de trabalhadores. Por isso, não tem como falar de trabalho e educação sem lembrar das reflexões de Célestin Freinet.

Conheci Freinet na faculdade de Pedagogia, foi de longe a maior transformação na forma como via a educação e o trabalho. Desde L’Éducation du Travail (1949), Freinet compreende o trabalho não como mera preparação para o emprego futuro, mas como o fundamento vital da experiência humana e o eixo organizador da aprendizagem. O trabalho, afirma ele, é “o motor essencial, elemento de progresso e dignidade, símbolo de paz e fraternidade”.
```
É por meio do trabalho que o pensamento se forma e se humaniza; é nele que a criança descobre a potência de agir sobre o mundo e de transformar a si mesma.
```
A noção de educação pelo trabalho não deve se confundir também como uma instrução técnica ou manual. Trata-se de uma pedagogia integral, em que o trabalho adquire sentido formativo, social e ético. O pedagogo propõe o que chama de escola-laboratório, organizada como uma pequena comunidade de produção e pesquisa. As oficinas escolares, a imprensa na sala de aula, o texto livre e a correspondência entre escolas materializam o princípio da cooperação produtiva, no qual o conhecimento é construído coletivamente e devolvido à comunidade, não de maneira abstrata, mas como uma obra útil e socialmente situada. Os estudantes passam a produzir conhecimento para si e para a comunidade, não por que devem SER para o futuro, mas porque já SÃO no presente.

Diferente do que se imagina, não precisaríamos falar do trabalho para as crianças porque elas viveriam o trabalho. Inclusive para Freinet, os problemas de conduta diminuem na proporção onde o trabalho se torna significativo “a ordem da fábrica em funcionamento substitui a ordem do templo silencioso”. O que emerge é uma ética da responsabilidade compartilhada, a “organização da vida e do trabalho em comum”, em que o grupo regula suas ações a partir da finalidade coletiva da tarefa.

Ficaria muito tempo falando o quanto uma pedagogia do trabalho pode transformar a maneira como ensinamos e aprendemos, mas sinto que ficaria aqui tempo demasiadamente extenso. E me comprometi com uma coisa.

Queria só finalizar a fala do pensador francês porque para ele o trabalho é um conceito político e humanista. É o fundamento de uma “educação popular”, voltada à emancipação e a dignidade. O ato de trabalhar, quando vivido em liberdade e solidariedade, torna-se o elo entre os indivíduos e o meio social.

O ensino sobre e do trabalho

Quando comecei a escrever este texto, queria falar sobre como é difícil falar de trabalho. Existe pouco material que aborde esse tema para crianças, e ainda que eu acredite profundamente que elas são capazes de compreender muito mais do que geralmente supomos, o fato é que ainda precisamos de materiais pensados para elas, adaptados para o espaço da sala de aula.

Mas não dá para dissociar as crianças de um assunto que as atravessa o tempo todo, o trabalho está presente no cotidiano delas, nas conversas em casa, nas expectativas que os adultos projetam sobre o futuro (delas) e até nas formas de organização social que determinam o que podem ou não fazer. Elas já estão imersas até a boca nesse mundo do trabalho que tanto tentamos explicar.

Quando uma criança constrói uma maquete, organiza um jogo, escreve uma história ou planta uma muda, ela já está, de certo modo, trabalhando. Está deixando marcas, atuando sobre a realidade e experimentando a potência de fazer algo existir que antes não existia.

Falar de trabalho, portanto, é falar de autoria. E essa é uma dimensão que a escola, tantas vezes, esquece de cultivar. Ao insistirmos em tarefas prontas, atividades mecânicas e respostas certas, acabamos por domesticar essa energia vital que o trabalho, no sentido freinetiano, representa. A educação pelo trabalho não se trata de preparar as crianças para o futuro mercado, mas de possibilitar que elas vivam hoje experiências significativas de criação e cooperação, nas quais o aprender e o fazer sejam indissociáveis.

Quando trazemos esse debate para a infância, abrimos espaço para que as crianças reconheçam os trabalhadores que as cercam, compreendam o valor de cada ofício e, sobretudo, percebam-se como parte ativa dessa grande rede de interdependências que sustenta a vida social.

Por isso, é urgente criar materiais sobre temas complexos que falem com as crianças, não de maneira infantilizada, mas com contexto, sensibilidade e criticidade. Assim como é papel dos educadores colocar as crianças no papel de sujeitos, e não de meras espectadoras, reconhecendo-as como participantes ativas da sociedade, capazes de questionar, propor e transformar.

Falar de trabalho com crianças é, afinal, falar sobre o mundo que elas já habitam e sobre o que podem construir a partir dele.

Referências

DE CASTRO, Lucia Rabello. Conhecer, transformar (-se) e aprender: pesquisando com crianças e jovens. Pesquisa-intervenção na infância e juventude, p. 21-42, 2008.

FREINET, Célestin. Por una escuela del pueblo. Tradução de Joseph Alcobé. 2. ed. México: Distribuciones Fontamara, 1994.

______________. Education through work: a model for child-centered learning. Tradução de John Sivell. Lewiston, NY: Edwin Mellen Press, 1993.

______________. Cooperative learning and social change: selected writings of Célestin Freinet. Edição e tradução de David Clandfield e John Sivell. Toronto: Our Schools/Our Selves; OISE Publishing, 1990.

NATIVIDADE, Michelle Regina da; COUTINHO, Maria Chalfin. O trabalho na sociedade contemporânea: os sentidos atribuídos pelas crianças. Psicologia & Sociedade, v. 24, p. 430-439, 2012.

OLIVEIRA, Denize Cristina de et al. Futuro e liberdade: o trabalho e a instituição escolar nas representações sociais de adolescentes. Estudos de Psicologia (Natal), v. 6, p. 245-258, 2001.
251030
Como escrever objetivos de aprendizagem
Escrever bons objetivos de aprendizagem é uma das habilidades mais importantes para educadores que desejam planejar experiências educacionais transformadoras. Não se trata de listar conteúdos a serem cobertos, mas de definir o que queremos que nossos alunos e alunas consigam entender e fazer ao final do processo.

Por que isso importa?

Objetivos claros funcionam como bússolas. Eles mantêm o foco no essencial e evitam que o ensino se perca em tarefas que apenas “preenchem tempo”. Quando sabemos onde queremos chegar, conseguimos escolher caminhos mais inteligentes e coerentes. E, de quebra, a avaliação deixa de ser um exercício burocrático para se tornar uma leitura autêntica da aprendizagem.

Comece pelo fim: o design reverso

Uma das abordagens mais eficazes para criar objetivos é o Design Reverso ou Planejamento Reverso (Backward Design), que inverte a lógica tradicional de planejamento. Em vez de começar pelas atividades, começamos pelos resultados desejados:
1. Identifique os resultados desejados: Defina primeiro os entendimentos profundos, as questões essenciais e os conhecimentos-chave que seus alunos devem adquirir.
2. Determine as evidências aceitáveis para cada resultado: Decida como os alunos demonstrarão sua compreensão através de tarefas autênticas que exijam aplicação real do conhecimento.
3. Planeje as atividades de aprendizagem: Só então desenhe as experiências que equiparão os alunos para o desempenho bem-sucedido.
Vá além da memorização: foque em competências

Objetivos verdadeiramente eficazes não se limitam à memorização de fatos. Eles desenvolvem a habilidade de agir em situações complexas e realistas. Isso significa que seus alunos devem ser capazes de:
- Mobilizar recursos diversos: articular conhecimentos conceituais, procedimentais e atitudinais para resolver problemas reais.
- Transferir conhecimentos: aplicar o que aprenderam em contextos novos e variados.
- Construir, não só receber: desenvolver competências através do exercício em situações desafiadoras.
Lembre-se: conhecimentos factuais e habilidades técnicas são recursos necessários, mas não o fim último do aprendizado. O objetivo é que os alunos saibam quando, onde e como usar esses recursos.

Busque compreensões duradouras

Os melhores objetivos focam em compreensões duradouras, aquelas grandes ideias que permanecem com os alunos anos depois da experiência educacional. Para identificá-los, pergunte-se:
- O que quero que meus alunos ainda saibam e possam fazer daqui a cinco anos?
- Que compreensões são transferíveis para outras situações e contextos?
- Quais são as inferências importantes que vão além dos fatos isolados?
Utilize questões essenciais

Acompanhe seus objetivos com Perguntas Essenciais que provocam investigação e pensamento profundo:
- Não podem ser respondidas com uma única frase
- Recorrem ao longo do currículo, promovendo conexões conceituais
- Desafiam os alunos a considerar alternativas e justificar suas respostas
Exemplos: “O que torna uma fonte confiável?”, “Como os sistemas se autorregulam?”, “De que maneira a forma influencia a função?”

Como formular: escreva sentenças completas

Ao escrever seus objetivos, evite tópicos vagos e busque sentenças proposicionais completas:

❌ Evite: “Compreensão do sistema solar”

✅ Prefira: “Compreender que os movimentos dos corpos celestes seguem padrões previsíveis regidos por forças gravitacionais, o que permite prever fenômenos como eclipses e estações do ano.”

A diferença? A segunda versão especifica uma inferência importante que requer compreensão profunda, não só memorização de fatos.

A Taxonomia de Bloom: classificando a complexidade

A Taxonomia de Bloom é uma ferramenta fundamental para garantir que seus objetivos vão além da simples memorização. Ela classifica seis níveis cognitivos, do mais simples ao mais complexo:

1. Conhecimento: Recordar fatos e informações
2. Compreensão: Explicar ideias ou conceitos
3. Aplicação: Usar informação em novas situações
4. Análise: Estabelecer conexões entre ideias
5. Síntese: Criar algo novo a partir do conhecimento
6. Avaliação: Justificar decisões ou posições

O poder da taxonomia está em nos lembrar que objetivos eficazes focam nos níveis superiores — aqueles que exigem pensamento crítico, transferência e aplicação autêntica do conhecimento.

O que realmente significa “compreender”?

A palavra “entender” é vaga. Bloom e seus colegas nos desafiaram a definir o que o aluno precisa fazer para demonstrar compreensão real. A resposta? Performance observável.

Para avaliar aplicação, por exemplo, você deve apresentar uma tarefa nova (não familiar) que exija que o aluno transfira o que aprendeu. Não basta repetir um exercício idêntico ao praticado em aula — isso é somente memorização disfarçada.

Os seis aspectos da compreensão

Para garantir que seus objetivos promovam compreensão genuína, considere se eles permitem que os alunos demonstrem:

1. Explicação: Fornecer teorias e justificativas para explicar o “porquê”

2. Interpretação: Traduzir ideias e mostrar seu significado — o “e daí?”

3. Aplicação: Usar conhecimento de forma flexível em contextos novos

4. Perspectiva: Reconhecer pressupostos e limites de uma ideia

5. Empatia: Valorizar pontos de vista diferentes, mesmo os que parecem estranhos

6. Autoconhecimento: Demonstrar consciência dos próprios preconceitos e limites

Mantenha a flexibilidade

Bons objetivos são pontos de partida, não camisas de força. Eles devem:
- Permitir ajustes conforme as necessidades dos alunos
- Surgir das capacidades e interesses reais do grupo
- Considerar os recursos e desafios da situação específica
Nosso papel como educador é direcionar a capacidade de crescimento dos alunos, partindo de onde eles estão para ampliar suas possibilidades de ação.

Colocando em prática

Ao escrever seus próximos objetivos de aprendizagem:
1. Identifique as grandes ideias transferíveis do seu conteúdo
2. Classifique pela Taxonomia de Bloom
3. Formule como sentenças completas que expressem inferências importantes
4. Crie questões essenciais que provoquem investigação contínua
5. Defina desempenhos observáveis: como saberá que houve compreensão?
6. Inclua diferentes tipos: entendimentos duradouros + habilidades + competências
7. Verifique transferência: funciona em contextos novos?
8. Mantenha flexibilidade para ajustar conforme necessário
Lembre-se: objetivos bem escritos são investimentos que retornam em aprendizagens mais profundas, significativas e duradouras. Vale a pena dedicar tempo e reflexão a essa etapa fundamental do planejamento educacional.

Referências

> SILVA, Gabriele Bonotto; FELICETTI, Vera Lucia. Habilidades e competências na prática docente: perspectivas a partir de situações-problema. Educação Por Escrito, Porto Alegre, v. 5, n. 1, p. 17–29, jan./jun. 2014. ISSN 2179-8435.

> WIGGINS, Grant P.; MCTIGHE, Jay. Understanding by design. Expanded 2nd ed. Alexandria, VA: Association for Supervision and Curriculum Development, 2005.

VOCÊ SABIA?

Hoje, 20 de outubro, é Dia Internacional do Bicho-Preguiça, foi isso que o Bing Wallpaper me disse. Amo animais e decidi compartilhar essa imagem do National Geographic contigo no início do post. Quer ver ela completa? Aqui! Ela é do Christian Ziegler.
251020
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.

250814
Avaliação em Computação

Nos últimos meses, mergulhei no universo da avaliação em computação e caraca, criar uma boa pergunta é muito mais difícil do que parece.

🥲 Aprendi o que são descritores avaliativos, como construir um item com base na psicometria, e descobri que fazer uma questão bem feita exige muito mais que saber computação.

Você sabe o que é psicometria? A psicometria é uma área da psicologia e da educação que trata da medição de características psicológicas, como habilidades cognitivas, traços de personalidade, atitudes, competências e conhecimentos. Ela é a base científica por trás da criação e validação de testes e instrumentos de avaliação, como ENEM, PISA, QI, etc.

Descobrindo o que é essa área, eu percebi que não basta ter uma ideia boa ou querer avaliar.

Tem que seguir estrutura, manter coerência entre enunciado e alternativas, respeitar paralelismo semântico (sim, eu tinha que me exibir, aprendi essa palavra nos últimos meses 😎), evitar pistas involuntárias, garantir simetria nas alternativas… e mais um montão de coisas.

E tudo isso pensando: O que exatamente estou avaliando aqui? É análise? Abstração? Interpretação de código? O que diabos eu quero saber se o estudante aprendeu?

Criar itens que avaliem de verdade competências computacionais virou um laboratório pessoal. Na maioria das vezes passo nervoso. Mas às vezes tenho umas ideias tão boas que dá orgulho. 😂

É na avaliação que a intencionalidade pedagógica aparece com força. Se ela não existe no decorrer das aulas, a criança não aprende. Na computação, então… é ainda mais desafiador.

✨ Não adianta o robozinho brilhar e rodopiar se os estudantes só seguiram um tutorial e nem entenderam o que é uma estrutura de repetição.

É um desafio para todas as áreas, aqui estamos aprendendo. E aí, como você tem avaliado o que realmente importa?

250423
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]

250310
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?

250218