3.º ciclo

Atividade 1

Regras vs aprendizagem automática – quem classifica melhor?

Objetivos:

• Comparar um sistema baseado em regras fixas com um baseado em exemplos (machine learning).

• Compreender limites de cada abordagem e implicações éticas (erros, viés).

Duração: 90-100 minutos (duas aulas).

Materiais: Computadores com acesso a uma ferramenta simples (p. ex. Teachable Machine ou similar, se autorizado); quadro.​

Passo a passo:

1. Escolher uma tarefa de classificação simples (10 min.)

   • Ex.: “classificar sons em calmo/ruidoso” ou imagens em “gato/cão”.

2. Criar um classificador por regras (20 min.)

   • Em grupos, escrever um conjunto de regras explícitas:

     • “Se tiver orelhas pontiagudas e bigodes → gato”;

     • “Se ladrar → cão”.

   • Testar com exemplos do professor (imagens ambíguas) e registar onde falham.

3. Treinar um modelo por exemplos (30 min.)

   • Usar a ferramenta para carregar exemplos rotulados (gatos/cães).

   • Testar imagens novas e registar acertos/erros.

   • Discutir: o modelo “aprendeu” algo que não escrevemos em regras? Onde erra mais?

4. Discussão ética (15–20 min.)

   • Se este sistema decidisse algo importante (por ex. quem recebe apoio, quem entra numa escola), que problemas surgiriam se os dados de treino fossem enviesados?

   • Quem é responsável pelos erros: quem desenha regras, quem fornece dados, quem usa o sistema?

Competências: 

• Comparar sistemas baseados em regras vs aprendizagem automática. 

• Relacionar qualidade dos dados com justiça do modelo.

Atividade 2

O classificador de espécies (Unplugged)

A distinção entre algoritmos deterministas (baseados em regras) e probabilísticos (ML) é fundamental para o pensamento computacional.  Esta atividade para o 3.º ciclo é excelente para ensinar a "dobradiça" conceitual entre a programação tradicional e a Inteligência Artificial. Ao ser uma atividade unplugged (sem computadores), remove a distração do ecrã e foca-se no processo cognitivo.

Objetivos: Distinguir entre sistemas baseados em regras fixas e modelos que aprendem com dados.   

Duração: 45 minutos.

Materiais: Fotos de animais impressas, papel, canetas.

Passo a passo:

1. O desafio da classificação (10 min.)

Divida a turma em dois grandes blocos: a Equipa "Programação Clássica" e a Equipa "Machine Learning". Entregue a ambos um conjunto misto de fotografias (pássaros, morcegos, insetos voadores e alguns animais terrestres).

O objetivo: Criar um sistema que identifique se o animal na foto é um Pássaro.

2. Execução: Dois caminhos para a "inteligência" (20 min.)

Abordagem A: Programação por regras (Determinística)

Este grupo deve agir como programadores tradicionais.

• Tarefa: Criar um fluxograma rígido de perguntas de sim/não.

• Regras: Eles devem prever todas as condições. Se o animal falhar uma regra (ex: "tem bico?"), é imediatamente descartado.

• Resultado: Criam um cartaz com uma Árvore de Decisão lógica.

Abordagem B: Machine learning (probabilística)

Este grupo age como um modelo de rede neuronal.

• Tarefa: Eles recebem um "conjunto de treino" (10 fotos confirmadas de pássaros). Não podem escrever regras "Se... Então".

• Ação: Devem listar padrões e pesos. (Ex: "Penas são muito importantes", "Ter duas patas é comum, mas não exclusivo").

• Resultado: Em vez de uma árvore, criam uma lista de "características prováveis" e dão-lhes uma nota de importância de 1 a 10.

3. O teste de stress e comparação (15 min.)

O professor apresenta "Casos Difíceis" para testar ambos os sistemas:

1. A avestruz: Tem penas e asas, mas não voa. A regra "Voa?" da Equipa A pode falhar.

2. O morcego: Voa e tem "asas", mas não tem penas.

3. Uma foto desfocada: Onde só se vê uma silhueta e um bico sombreado.

Discussão comparativa: | Característica | Regras Fixas (Equipa A) | Machine Learning (Equipa B) | Transparência | Total. Sabemos exatamente porque decidiu "Não". | Baixa. É difícil explicar a "intuição" dos pesos. |  Flexibilidade | Baixa. Um erro na regra estraga tudo. | Alta. Lida bem com exceções e ruído. |  Ambiguidade | Bloqueia se a informação faltar. | Tenta adivinhar com base na probabilidade. |

4. Reflexão e abstração

Conclua explicando que a IA moderna (como o ChatGPT ou visão computacional) usa a Abordagem B. Ela não tem uma lista de regras gramaticais ou biológicas na memória; ela tem biliões de padrões de "probabilidade" que aprendeu a observar.

Conceitos fundamentais:

• Algoritmo determinista: O mesmo input dá sempre o mesmo output através de passos lógicos.

• Modelo probabilístico: A decisão baseia-se na maior probabilidade de algo ser verdade.

Competências: 

• Pensamento algorítmico: Criar sequências lógicas de resolução de problemas.

• Abstração: Identificar quais os atributos de um animal são realmente essenciais para a sua classificação.

• Análise crítica: Perceber as limitações de cada método tecnológico.

Atividade 3

Projeto de IA Social 

Em grupos, alunos escolhem um problema real (escola, bairro, meio ambiente) e desenham uma solução baseada em IA: descrevem o sistema, dados de entrada e saída esperada, e discutem aspectos éticos.

Objetivos: 

• Aplicar conceitos de design thinking a soluções de IA; 

• Estimular criatividade e responsabilidade social; 

• Introduzir noções de coleta e uso de dados.

Duração:  90-100 minutos (duas aulas).

Materiais: Papel A3/cartolina, marcadores para mapas mentais ou esquemas de fluxo, pesquisa prévia sobre o problema.

Passo a passo:

• 1. Cada grupo identifica um problema relevante (ex.: gestão de lixo, segurança, trânsito).  (10 min.)

  2. Desenham um diagrama/sistema: que dados seriam recolhidos (sensor de lixo, câmaras de trânsito, etc.), como a IA processaria essa informação (p. ex. algoritmo de classificação ou predição) e qual seria o resultado (alertas, relatórios, recomendações). (20 min.)

  3. Detalham de forma simples: entrada, processamento e saída. Não é necessário programar, mas usar caixas e setas para mostrar o fluxo.  (20 min.)

  4. Discutem possíveis impactos: “O nosso sistema de IA respeita a privacidade?”, “Quem toma a decisão final, a máquina ou pessoas?”, “Pode haver injustiça no algoritmo?”. (20 min.)

  5. Apresentam o protótipo à turma, explicando cada parte do desenho e refletindo sobre a responsabilidade humana no uso da IA.  (20 min.)

Competências: 

• Pensamento de design de sistemas (planeamento de soluções algorítmicas); 

• Resolução de problemas e criatividade (projetar modelo de IA); 

• Consciência ética (avaliação de consequências sociais e inclusão); 

• Trabalho colaborativo.

Atividade 4

O auditor de dados – treinando um classificador justo

Esta atividade foca-se na curadoria e rotulagem de dados, demonstrando como a representatividade influencia a justiça do modelo.

Objetivos:

• Compreender como a seleção e a rotulagem de dados afetam a performance e o enviesamento de um sistema de IA.

• Aplicar técnicas de pré-processamento para mitigar erros de classificação.

Duração: 90-100 minutos (duas aulas).

Materiais: Ferramenta visual de treino (ex: Teachable Machine), conjuntos de imagens (ex: diversos tipos de embalagens para reciclagem), grelha de auditoria de dados.

Passo a passo:

 1. Recolha e suradoria (20 min.): Os alunos recolhem fotos de objetos recicláveis (ex: garrafas de plástico e caixas de papel). O professor instrui um grupo a usar apenas garrafas transparentes e outro a usar garrafas de várias cores e formatos.

 2. Treino e teste (25 min.): Os alunos treinam o modelo e testam-no com objetos novos. O grupo com dados limitados (transparentes) verá o modelo falhar ao identificar uma garrafa de plástico azul.

 3. Auditoria de viés (20 min.): Os alunos utilizam uma grelha para analisar o seu dataset: "Que tipos de objetos ficaram de fora? Como é que o meu critério de rotulagem confundiu a máquina?".

 4. Refinação iterativa (25 min.): Os alunos corrigem e "limpam" os dados (rotulagem correta), treinam novamente e comparam a melhoria na eficácia e justiça do sistema.

Competências: 

• Curadoria de dados;

• Pensamento computacional;

• Avaliação de sistemas.

Atividade 5

Regras vs. Padrões – Arquiteto de Soluções para a Escola

Esta atividade é uma variante da atividade 3 e foca-se na comparação de abordagens técnicas e na proposta de soluções éticas para problemas comunitários.

Objetivos:

• Distinguir entre sistemas baseados em regras fixas (lógica condicional) e modelos de aprendizagem automática (previsões baseadas em padrões).

• Desenhar um método onde a IA contribua para o bem comum, garantindo a supervisão humana.

Duração: 90-100 minutos (duas aulas).

Materiais: Cartolinas, marcadores, esquemas de fluxogramas, cenários de problemas escolares (ex: recomendador de clubes ou gestor de lanches).

Passo a passo:

 1. O desafio comunitário (15 min.): A turma identifica um problema (ex: "Como ajudar novos alunos a escolher clubes escolares com base nos seus interesses?").

 2. Abordagem A: Regras fixas (25 min.): Em grupos, os alunos criam um fluxograma manual (ex: IF gosta de desporto AND prefere equipas THEN recomenda Futebol). Discutem as limitações: e se o aluno gostar de algo que não está na regra?.

 3. Abordagem B: Aprendizagem automática (25 min.): Os alunos descrevem como um modelo de ML faria a tarefa, analisando dados de escolhas de anos anteriores. Devem identificar que dados seriam necessários e como a IA encontraria padrões ocultos.

 4. Design ético e humano (20 min.): Os grupos propõem o design final, decidindo onde entra a intervenção humana (ex: um tutor valida a recomendação da IA para evitar isolamento social). Devem garantir que o sistema respeita a privacidade.

 5. Apresentação do protótipo (15 min.): Cada grupo explica o propósito do modelo, para quem foi desenhado e as suas limitações técnicas e éticas.

Competências: 

• Design de sistemas;

• Comparação técnica;

• Responsabilidade social.

Atividade 6

Arquiteto de IA para o bem comum (Model Cards)

Esta atividade é uma variante da atividade 3 e foca-se na utilidade do "Model Card" (documento conciso e padronizado que fornece informações essenciais sobre um modelo de aprendizagem automática, funcionando como um «rótulo nutricional» para promover a transparência, a equidade e a segurança)

Objetivos:

• Propor uma solução de IA para um problema real da comunidade escolar.

• Documentar a transparência e as limitações do sistema através de um "Model Card".

• Decidir a distribuição de tarefas entre humanos e IA, garantindo a intervenção humana em decisões críticas.

Duração: 135-150 minutos (três aulas).

Materiais: Modelo de "Model Card" (Propósito, Utilizadores, Limitações), cartolinas para prototipagem visual.

Passo a passo:

 1. Scoping do problema (30 min.): Os alunos identificam uma necessidade local (ex: um sistema para recomendar clubes escolares ou gerir a reciclagem na cantina) e definem o objetivo do modelo.

 2. Desenho do fluxo e gestão (30 min.): Os alunos esquematizam como a IA tomaria decisões e onde os humanos devem intervir (ex: um humano deve validar a classificação final para evitar erros do sistema).

 3. Criação do Model Card (40 min.): Os grupos preenchem um documento estruturado resumindo: para quem é o modelo, que dados seriam necessários para o treinar e o que o sistema não consegue fazer (limitações).

 4. Apresentação e auditoria de pares (20 min.): Os grupos apresentam os protótipos e outros alunos tentam encontrar falhas éticas ou técnicas (vieses nos dados propostos).

Competências: 

• Pensamento computacional (decomposição);

• Design de sistemas;

• Colaboração;

• Honestidade académica.

Atividade 7

Auditoria de algoritmos escolares 

Objetivos: Compreender a arquitetura básica de um sistema de recomendação e como os loops de feedback influenciam o utilizador.

Duração: 90-100 minutos (duas aulas).

Materiais: Esquema visual de uma "bolha de filtro", post-its.

Passo a passo:

Sessão 1: Mapear a "Caixa Preta" (45-50 min.)

1. A engenharia do clique (20 min.)

Inicie com um desafio: "Se o teu YouTube fosse uma pessoa, o que é que ela saberia sobre ti?". Explique que os algoritmos de recomendação funcionam com base em Sinais de Dados.

O desenho do fluxo: Em grupos, os alunos devem desenhar o "motor" do algoritmo num cartaz. Devem incluir:

• • Entrada (input): O que eu vi, o que pesquisei, quanto tempo parei num vídeo.

  • Processamento: O algoritmo procura vídeos semelhantes.

  • Saída (output): A lista de "Próximos Vídeos".

2. Simulação: O loop de feedback (25 min.)

Use post-its para simular o algoritmo em tempo real.

• Cenário: Um aluno diz "Gosto de vídeos de motas". O grupo (o algoritmo) entrega-lhe 3 post-its com temas de motas.

• O problema: Na ronda seguinte, o aluno já só tem motas para escolher. Se clicar numa, recebe mais 5 de motas.

• A conclusão: Ao fim de 5 rondas, o aluno não vê mais nada além de motas. Isto é o Loop de Feedback Positivo que cria a Bolha de Filtro.

Sessão 2: Redesenhar para a Diversidade (45-50 min.)

3. Auditoria crítica (20 min.)

Debata as consequências sociais desta arquitetura:

• Polarização: "Se eu só vejo opiniões iguais à minha, o que acontece quando encontro alguém que pensa diferente?"

• Vício: "O algoritmo quer que eu fique na app. Ele recomenda o que é 'verdade' ou o que é 'viciante'?"

4. Proposta de melhoria: o algoritmo ético (25 min.)

Os grupos devem agora "hackear" o seu desenho inicial e introduzir mecanismos de transparência e diversidade.

• O novo design: Devem adicionar novos "componentes" ao motor, tais como:

  • Botão de serendipidade: Um botão que mostra algo totalmente aleatório e fora da bolha.

  • Verificador de contraponto: Se o utilizador vê um vídeo sobre um tema polémico, o sistema deve sugerir um vídeo com uma perspetiva diferente.

  • Indicador de transparência: Uma legenda que diga: "Estamos a mostrar-te isto porque viste o vídeo X".

5. Apresentação (5 min.)

Cada grupo explica: "Como é que o nosso novo algoritmo ajuda o utilizador a ser mais livre e mais bem informado?".

Competências: 

• Design de sistemas: Entender como os componentes de uma tecnologia interagem entre si.

• Literacia algorítmica: Saber que o conteúdo que recebemos é uma escolha matemática, não uma verdade universal.

• Consciência social: Identificar como a tecnologia pode isolar grupos de pessoas em bolhas ideológicas.

Atividade 8

Clube de Talentos: desenhar o teu recomendador de atividades

Objetivos:

• Identificar que tipo de dados (interesses, horários, localização) alimentam uma IA de recomendação.

• Esboçar um fluxo lógico de decisão (se X gosta de desporto e tem terça livre, então recomenda Y).

• Debater a importância da escolha final ser sempre do aluno (agência humana).

Duração: 90-100 minutos (duas aulas).

Materiais: Cartolinas, post-its de cores diferentes, marcadores.

Passo a passo:

1. Mapa de dados (20 min.): Em grupos, os alunos listam num post-it azul "O que a IA precisa de saber sobre nós?" (ex: desportos favoritos, se gosta de música, que horas sai da escola).

2. O algoritmo de papel (30 min.): Usando setas e post-its amarelos, os grupos criam um caminho de decisão.

Exemplo: "Se o interesse = 'Desenho' e o orçamento = 'Grátis' ➡️ Sugerir: Clube de BD da Biblioteca".

3. O filtro humano (20 min.): O professor introduz um problema: "A IA sugeriu Futebol a um aluno que odeia competição. O que falhou?". Os alunos discutem como um tutor humano ou o próprio aluno deve poder ajustar as sugestões.

4. Apresentação (20 min.): Os grupos mostram o seu "cartaz-algoritmo" e explicam como a IA ajudaria a descobrir atividades que eles nem sabiam que existiam.

Competências:

• Conceber a IA: Compreender a relação entre entrada de dados (input) e resultado (output).

• Pensamento computacional: Utilizar lógica condicional para resolver um problema de organização.

• Literacia de dados: Reconhecer a necessidade de dados pessoais para a personalização de serviços.

Atividade 9

O bibliotecário de papel vs. o bibliotecário robô

Objetivos:

• Criar um fluxo de decisão lógico (Se/Então) para recomendar um livro.

• Compreender a rigidez de um sistema baseado apenas em regras manuais.

• Identificar a diferença entre seguir um caminho fixo e prever preferências.

Duração: 90-100 minutos (duas aulas).

Materiais: Cartolina, post-its, canetas de cores diferentes, acesso a um chatbot de ML (ex: Gemini/ChatGPT).

Passo a passo:

1. Desenho do fluxograma (30 min.): Em grupos, os alunos criam uma "Árvore de Decisão" física na cartolina.

   1. • Pergunta 1: Gostas de histórias reais? (Sim -> Não)

      • Pergunta 2: Preferes o passado ou o futuro?

      • Cada caminho deve levar a um livro específico da biblioteca da escola.

2. O teste do "utilizador" (20 min.): Um grupo testa o fluxograma do outro. Se o utilizador responder algo que não está no papel (ex: "Tanto faz"), o sistema "crasha" ou falha.

3. Duelo com ML (20 min.): Os alunos fazem a mesma pergunta a uma IA de ML: "Sugere-me um livro baseado no facto de eu gostar de videojogos e mistério". Observam como a IA lida com linguagem natural e nuances.

4. Comparação (20 min.): Discussão final: "Quem é mais fácil de programar? Quem é mais inteligente a lidar com surpresas?"

Competências:

• Pensamento computacional: Utilizar lógica condicional para estruturar a resolução de problemas.

• Conceber a IA: Distinguir sistemas determinísticos (regras) de sistemas probabilísticos (ML).

Atividade 10

BI da IA: criar o cartão de cidadão de um algoritmo

Objetivos:

• Compreender a importância da transparência em sistemas de IA.

• Identificar os componentes básicos de um modelo (dados, objetivo e limites).

• Aprender a ler e a escrever documentação técnica simplificada.

Duração: 90-100 minutos (duas aulas).

Materiais: Modelo de Model Card em papel (A4), acesso a ferramentas simples de IA (ex: filtros de imagem ou tradutores), marcadores.

Passo a passo:

1. Escolha do objeto (15 min.): Os alunos escolhem uma IA que usam no dia a dia (ex: o corretor do telemóvel, o filtro de "velho" das redes sociais ou o recomendador da Netflix).

2. Investigação em grupo (25 min.): Em pares, respondem: "O que é que isto tenta prever?", "Que fotos ou textos precisou de ver para aprender?", "Quando é que ele falha?".

3. Preenchimento do BI (35 min.): Os alunos preenchem o cartaz com as secções:

   1. • Nome do modelo: (ex: Filtro Manga).

      • O que faz: (Transforma caras em desenhos).

      • Dados de treino: (Milhares de desenhos e fotos de pessoas).

      • Atenção/perigos: (Pode não funcionar bem com chapéus ou óculos).

4. Galeria de transparência (15 min.): Afixam-se os cartões e a turma circula para ler os avisos uns dos outros.

Competências:

• Literacia digital: Capacidade de ler e produzir documentação sobre tecnologia.

• Pensamento crítico: Avaliar as limitações de ferramentas digitais comuns.

• Responsabilidade: Compreender que a IA tem "instruções de uso" e riscos.

Atividade 11

Treinar o olhar: o robô da reciclagem

Objetivos:

• Compreender como a IA aprende a classificar objetos através de exemplos visuais (treino).

• Identificar o impacto da quantidade de fotos na precisão do modelo.

• Distinguir materiais recicláveis por categorias (plástico, papel, metal).

Duração: 90-100 minutos (duas aulas).

Materiais: Telemóveis ou tablets, acesso à ferramenta (Google), embalagens reais de lixo limpas.

Passo a passo:

1. Recolha de dados (25 min.): Em grupos, os alunos tiram 10 fotos de diferentes ângulos de um objeto (ex: garrafa de plástico). Depois, tiram 10 fotos de outro (ex: caixa de cartão).

2. Treino Inicial (20 min.): No Teachable Machine, criam as classes "Plástico" e "Papel". Carregam as fotos e clicam em "Train".

3. O teste do erro (20 min.): Os alunos mostram um objeto novo (ex: uma garrafa esmagada ou uma embalagem de iogurte). Se a IA falhar, devem discutir: "Por que é que ela se enganou? Foi falta de fotos ou a luz estava má?".

4. Melhoria e conclusão (25 min.): Adicionam mais 20 fotos com fundos diferentes e testam novamente. Devem anotar a diferença na confiança do modelo (percentagem).

Competências:

• Conceber a IA: Compreender o processo de treino de modelos de classificação.

• Literacia de dados: Reconhecer a importância de datasets variados.

• Pensamento crítico: Analisar a causa de erros em sistemas automatizados.

Atividade 12

O grande teste: qual ia é a melhor tradutora?

Objetivos:

• Comparar o desempenho de diferentes modelos de IA (ex: Tradutor Estatístico vs. Tradutor de Redes Neuronais/LLM).

• Identificar erros de contexto, gíria e tom em diferentes sistemas.

• Propor melhorias baseadas na experiência de utilização.

Duração: 90-100 minutos (duas aulas).

Materiais: Computadores, acesso a pelo menos três ferramentas (ex: Google Translate, DeepL, ChatGPT), um texto curto com gíria ou expressões idiomáticas.

Passo a passo:

1. O desafio do tradutor (15 min.): O professor fornece um parágrafo em inglês que contenha expressões idiomáticas (ex: "It's raining cats and dogs" ou "Break a leg").

2. O teste cego (30 min.): Em grupos, os alunos submetem o texto aos três modelos. Devem copiar os resultados sem saber qual pertence a qual sistema (atribuindo apenas ID A, B e C).

3. Avaliação por grelha (20 min.): Os alunos avaliam os resultados: "Qual soa mais natural?", "Algum traduziu à letra e perdeu o sentido?"

4. O painel de melhoria (25 min.): Os alunos "entrevistam-se" uns aos outros sobre as falhas. Devem escrever três sugestões para os programadores da IA (ex: "A IA deveria perguntar se o texto é formal ou informal antes de traduzir").

Competências:

• Pensamento crítico: Avaliar a qualidade da produção tecnológica face ao contexto humano.

• Literacia digital: Compreender que diferentes ferramentas têm diferentes níveis de precisão.

• Colaboração: Trabalhar em equipa para recolher e organizar feedback de utilizador.