Ensino Secundário

Atividade 1

IA para a resolução de um problema na escola 

Objetivos:

• Propor uma solução conceptual de IA para um problema real na escola.

• Pensar dados, stakeholders, riscos, critérios de justiça e impacto social em linha com quadros de competências da UNESCO.

Duração: 3–4 aulas + trabalho autónomo.

Materiais: Papel, ferramentas de apresentação, eventualmente quadro digital.

Passo a passo:

1. Identificação de problemas (20–30 min.)

   • Brainstorm de desafios na escola: desperdício alimentar na cantina, absentismo, gestão de energia, acessibilidade para alunos com NEE, segurança no caminho casa-escola, etc.

   • Cada grupo escolhe um problema.

2. Ideação da solução de IA (1 aula)

   • Descrever:

     • Que tipo de IA seria mais adequada (classificação, recomendação, previsão, assistente de apoio)?

     • Que dados seriam necessários (e.g., consumos de energia, horários, registos anónimos)?

     • Como seriam recolhidos e anonimizados?

   • Indicar quem são os utilizadores (alunos, professores, funcionários) e como interagem com o sistema.

3. Análise crítica de ética e viés (1 aula)

Para cada proposta, responder:

3. • • “Quem pode ser prejudicado se o sistema errar?”

     • “Que grupos podem ficar mal representados nos dados?”

     • “Como garantir transparência (explicar decisões) e possibilidade de contestação humana?”

   • Propor medidas de mitigação (revisão humana, auditoria de dados, inclusão de vozes diversas).

4. Apresentação e feedback (1 aula)

   • Cada grupo apresenta a sua solução (poster, slides, video curto).

   • Os colegas avaliam com base em três critérios:

     • Relevância para o bem comum;

     • Qualidade do desenho técnico-conceptual;

     • Profundidade da reflexão ética.

Competências:

• Propor soluções de IA para problemas comunitários de forma ética.

• Curar/planear dados e refletir sobre representatividade.

• Ligar escolhas técnicas a impactos sociais.

Atividade 2

Dados que contam histórias (e dados que excluem)

Objetivos:

• Compreender o impacto da seleção e rotulagem de dados no comportamento da IA.

• Identificar problemas de representatividade e viés nos conjuntos de dados.

• Relacionar dados, justiça social e decisões algorítmicas.

Duração: 90-100 minutos.

Materiais: Conjunto de dados simplificado (real ou fictício); fichas de análise; computador ou papel A3.

Passo a passo:

1. Cada grupo recebe um conjunto de dados para “treinar” uma IA (ex.: dados escolares, mobilidade urbana, saúde). (5 min.)

2. Os alunos analisam: (25 min.)

   • Que grupos estão representados?

   • Quem está ausente?

   • Que categorias foram usadas para rotular os dados?

3. O professor introduz cenários “e se…”: (25 min.)

   • E se estes dados forem usados para tomar decisões reais?

4. Os grupos propõem: (20 min.)

   • Melhorias no conjunto de dados

   • Novas categorias ou dados a recolher

5. Apresentação e debate ético. (15 min.)

Competências: 

• Literacia de dados; 

• Análise crítica da representatividade; 

• Consciência ética e social; 

• Pensamento sistémico.

Atividade 3

Proposta de projeto de IA 

Os alunos idealizam um projeto completo de IA aplicado a um problema complexo (ex.: mobilidade urbana, apoio a deficientes, sustentabilidade), incluindo perfil dos utilizadores, dados necessários, tipo de algoritmo e avaliação de resultados.

Objetivos: 

• Exercitar pensamento de design de sistemas complexos; 

• Integrar conhecimentos de várias áreas (programação, estatística, línguas) e competência intercultural; 

• Prever impactos e requisitos éticos de longo prazo.

Duração: 2 aulas ou mais (elaboração detalhada).

Materiais: Ferramentas de apresentação (cartolinas, slides), artigos de apoio sobre IA e sociedade, guias de competências UNESCO para design centrado no usuário.

Passo a passo:

• 1. Os alunos formam grupos multidisciplinares e escolhem um desafio amplo (p. ex. “melhorar o transporte público da cidade com IA”). (10 min.)

  2. Realizam pesquisa para definir contexto: quem são os usuários, que dados existem (ex.: horários, localização), quais métricas de sucesso (público satisfeito, menos poluição). (20 min.)

  3. Desenham a arquitetura do sistema: fontes de dados (sensores, apps), tipo de IA (machine learning preditivo, otimização de rotas), fluxo de funcionamento. (20 min.)

  4. Abordam questões de implementação ética: “Como garantimos a privacidade dos passageiros? Como avaliamos vieses (classes sociais, géneros)?”.(20 min.)

  5. Apresentam o projeto em formato de relatório ou apresentação oral, enfatizando a perspectiva humana e ética no design (UNESCO recomenda IA inclusiva e sustentável). (20 min.)

Competências: 

• Pensamento sistémico e design thinking (projetar IA para cenários reais); 

• Interdisciplinaridade (aplicar conhecimentos técnicos, científicos e humanísticos); 

• Consciência crítica e ética (avaliação dos efeitos de longo prazo da IA); 

• Competências digitais avançadas (planeamento de sistemas de IA).

Atividade 4

O Auditor de Dados – Regras Fixas vs. Machine Learning

Esta atividade desafia os alunos a compreender a transição da "inteligência analítica" (baseada em regras) para a "inteligência criativa" e preditiva, focando-se na curadoria e rotulagem de dados.

Objetivos:

• Distinguir entre sistemas baseados em regras fixas (lógica condicional) e modelos de aprendizagem automática (machine learning).

• Analisar como o desequilíbrio e a falta de representatividade nos dados de treino geram modelos ineficazes ou enviesados.

Duração: 90 -100 minutos (duas aulas).

Materiais: Computadores com acesso a uma ferramenta de treino visual (ex: Teachable Machine), conjuntos de imagens para classificação (ex: diferentes tipos de resíduos ou lanches saudáveis).

Passo a passo:

 1. Lógica manual (20 min.): Em grupos, os alunos tentam criar um "algoritmo manual" (fluxograma de regras IF-THEN) para classificar objetos complexos, percebendo a dificuldade de prever todas as variantes humanas.

 2. Curadoria de dados (30 min.): Os alunos recebem a tarefa de treinar um modelo de ML para a mesma tarefa. Um grupo recebe dados equilibrados, enquanto outro recebe dados propositadamente enviesados (ex: apenas fotos de garrafas de plástico transparentes para um classificador de reciclagem).

 3. Treino e auditoria (25 min.): Os alunos treinam os modelos e testam-nos com novos itens (ex: uma garrafa azul). Devem descrever como a qualidade dos dados de entrada ditou a falha ou o sucesso do sistema.

 4. Reflexão técnica (15 min.): Debate sobre a responsabilidade do designer na seleção de dados e na mitigação de preconceitos estatísticos.

Competências: 

• Comparar abordagens técnicas; 

• Curar e rotular dados; 

• Pensamento computacional.

Atividade 5

Arquiteto de soluções sociais e o "Model Card" ético

Esta atividade foca-se no scoping de problemas comunitários e no design de arquiteturas de sistemas que priorizem o bem comum e a transparência.

Objetivos:

• Propor uma solução de IA para uma necessidade real da comunidade escolar ou local.

• Documentar a arquitetura, o propósito e as limitações do sistema através de um "Model Card" estruturado.

Duração: 135-150 minutos (três aulas).

Materiais: Papel para prototipagem visual, modelos de Model Cards (Propósito, Dados, Limitações), e acesso a exemplos de problemas comunitários.

Passo a passo:

 1. Scoping e justificação (45 min.): Os alunos identificam um problema (ex: sistema de recomendação de atividades extracurriculares ou otimização de rotas de transporte escolar). Devem debater se a IA é a ferramenta proporcional e ética para este caso ou se uma solução não-tecnológica seria preferível.

 2. Arquitetura do sistema (45 min.): Sem programar, os alunos desenham o fluxo de dados do sistema, identificando onde ocorre a intervenção humana (human-in-the-loop) para garantir a prestação de contas e segurança.

 3. Transparência e Model Card (45 min.): Os grupos elaboram um documento estruturado (Model Card) que resume: quem são os utilizadores, que dados seriam necessários para o treino ético e, crucialmente, o que o sistema não consegue fazer (limitações).

 4. Apresentação e defesa (Conclusão): Cada grupo defende a sua solução perante a "comunidade" (turma), explicando como o design previne danos e promove a justiça social.

Competências: 

• Propor soluções para problemas comunitários; 

• Design de sistemas; 

• Comunicação e autonomia.

Atividade 6

Arquitetura de sistemas e "Model Cards" 

Esta atividade é uma variante da atividade anterior e foca-se no desenvolvimento da capacidade de compreender e documentar a lógica interna de um sistema de IA, promovendo a transparência.

Objetivos:

• Delinear a arquitetura técnica de uma solução de IA para um problema comunitário real.

• Criar um "Model Card" para documentar o propósito, os dados de treino e as limitações do sistema.

• Avaliar a representatividade dos dados e o risco de enviesamento algorítmico.

Duração: 90-100 minutos (duas aulas).

Materiais: Exemplos de Model Cards reais, acesso a repositórios de dados abertos (ex: Kaggle), e ferramentas de prototipagem visual.

Passo a passo:

 1. Identificação do problema (10 min.): Os alunos identificam uma necessidade local (ex: um sistema para recomendar atividades extracurriculares com base nos interesses dos estudantes).

 2. Estratégia de dados (20 min.): Devem descrever que dados seriam necessários, como seriam rotulados e que grupos poderiam estar sub-representados, propondo estratégias para mitigar preconceitos.

 3. Desenho da arquitetura (20 min.): Sem necessidade de programação real, os alunos desenham o fluxo: entrada de dados → processamento algorítmico → saída (recomendações), indicando onde entra a supervisão humana.

 4. Documentação (Model Card) (20 min.): Os alunos preenchem um documento estruturado que resume: para quem é o modelo, o que ele não consegue fazer e que medidas de privacidade foram tomadas.

 5. Ciclo de feedback (20 min.): Simulação de um teste de performance onde outros grupos "atacam" o modelo com casos extremos para descobrir falhas de lógica.

Competências: 

• Conceção de sistemas de IA;

• Curadoria de dados;

• Consciência de impacto social.

Atividade 7

Arquitetura de escolhas: ética e lógica em sistemas de recomendação

Objetivos:

• Projetar um modelo de recomendação baseado em filtragem colaborativa ou baseada em conteúdo.

• Analisar criticamente os riscos de "bolhas de filtro" (sugerir sempre o mesmo tipo de atividades).

• Definir os pontos de intervenção humana obrigatória para garantir o bem-estar e a diversidade.

Duração: 90-100 minutos (duas aulas).

Materiais: Diagramas de fluxo (templates), acesso a internet para pesquisa de exemplos de algoritmos de recomendação (tipo Netflix/Spotify).

Passo a passo:

1. Engenharia de atributos (25 min.): Os alunos definem os "vetores" do utilizador. Como quantificar o interesse de um aluno? (ex: Nível de extroversão 1-10, Preferência física vs. intelectual).

2. Desenho do sistema (35 min.): Os alunos desenham um diagrama técnico que mostre:

   1. • Recolha de dados: Inquéritos e histórico de atividades.

      • Motor de recomendação: Como a IA cruza dados de diferentes alunos para prever o sucesso de uma nova atividade.

3. Auditoria ética (25 min.): O professor lança desafios: "E se a IA só recomendar atividades caras a alunos de bairros ricos? Como corrigir este viés?". Os alunos devem propor ajustes no algoritmo para garantir a inclusão.

4. O modelo híbrido (25 min.): Os grupos apresentam a sua solução, detalhando o papel do psicólogo escolar ou do diretor de turma na validação das sugestões da IA para evitar sobrecarga de estudo ou isolamento.

Competências:

• Gerir a IA: Avaliar o impacto social e ético de sistemas automatizados de tomada de decisão.

• Pensamento sistémico: Compreender como pequenas alterações nos dados de entrada afetam as recomendações a longo prazo.

• Agência humana: Defender o conceito de "Human-in-the-loop" (humano no ciclo) como salvaguarda ética.

Atividade 8

Arquiteturas de recomendação: da lógica de boole às redes neuronais

Objetivos:

• Programar um chatbot básico em blocos (ex: Scratch) ou Python usando estruturas if/else.

• Analisar a escalabilidade de sistemas baseados em regras vs. modelos de linguagem.

• Debater as limitações éticas e de precisão de ambos os sistemas.

Duração: 90-150 minutos (2 ou 3 aulas).

Materiais: Computadores, Scratch ou interpretador Python online, acesso a um LLM.

Passo a passo:

1. Programação do "bot de regras" (40 min.): Os alunos programam um chatbot que recomenda livros. Devem tentar prever pelo menos 5 variáveis (Género, Idade, Tamanho do livro, etc.).

Desafio: O que acontece se o utilizador escrever com erros de ortografia? (O bot de regras falha).

2. Análise de falhas (20 min.): Os alunos listam as limitações do seu código: "Quantas linhas de código seriam precisas para recomendar 1 milhão de livros diferentes?".

3. Experiência com ML (25 min.): Os alunos interagem com um modelo de ML e tentam "quebrá-lo" com pedidos ambíguos. Analisam como a IA usa o contexto em vez de apenas palavras-chave.

4. Relatório crítico (25 min.): Comparação técnica:

• Bot de regras: Previsível, transparente, mas limitado e difícil de manter.

• ML: Flexível, lida com imprecisões, mas é uma "caixa negra" e pode inventar livros (alucinação).

Competências:

• Conceber a IA: Compreender a transição da programação clássica para a aprendizagem automática.

• Análise crítica: Avaliar a eficiência e a fiabilidade de diferentes abordagens tecnológicas.

• Resolução de problemas complexos: Estruturar lógica condicional aninhada e prever exceções de utilizador.

Atividade 9

Auditoria de dados: otimizar a visão artificial para a sustentabilidade

Objetivos:

• Analisar o impacto do viés (bias) nos dados de treino (ex: luz, fundo, estado do objeto).

• Avaliar quantitativamente a performance do modelo (Matriz de Confusão/Precisão).

• Propor soluções tecnológicas para problemas ambientais reais.

Duração: 90-100 minutos (duas aulas).

Materiais: Computadores, ferramenta Teachable Machine ou Lobe.ai, acesso a bancos de imagens online (Kaggle ou Google Images).

Passo a passo:

1. Curadoria de dataset (30 min.): Os alunos devem recolher dois tipos de dados: fotos "perfeitas" (online, fundo branco) e fotos "reais" (lixo na rua, embalagens sujas, luz fraca).

2. Experiência de performance (30 min.):

   1. • Grupo A: Treina apenas com fotos "perfeitas".

      • Grupo B: Treina com um mix de fotos "reais" e "perfeitas".

3. Avaliação cruzada (25 min.): Testam ambos os modelos com objetos reais da escola. Devem registar os resultados: "O modelo A reconhece lixo real?".

4. Debate e relatório (25 min.): Discussão sobre o impacto da qualidade dos dados. Como é que uma IA mal treinada num centro de triagem afetaria o ambiente? Devem descrever como a diversidade dos dados (objetos de diferentes marcas ou estados de conservação) alterou a performance.

Competências:

• Gerir a IA: Avaliar a fiabilidade de sistemas de IA em contextos críticos.

• Investigação e análise: Aplicar métodos experimentais para testar hipóteses tecnológicas.

• Resolução de problemas complexos: Propor melhorias em sistemas de IA baseadas na análise de falhas de dados.

Atividade 11

Auditores de algoritmos: o Model Card profissional

Objetivos:

• Elaborar um Model Card estruturado seguindo padrões da indústria (ex: Google/Hugging Face).

• Analisar criticamente os dados de treino para identificar possíveis enviesamentos (bias).

• Definir "Usos Fora de Âmbito" para prevenir utilizações perigosas da tecnologia.

Duração: 90-100 minutos (duas aulas).

Materiais: Computadores, templates digitais de Model Cards, casos de estudo reais (ex: IA de reconhecimento facial ou de triagem de currículos).

Passo a passo:

1. Análise de caso (20 min.): O professor apresenta um modelo polémico (ex: uma IA que prevê notas de alunos). Discutem: "Se os dados de treino forem de escolas ricas, a IA serve para todas as escolas?".

2. Redação técnica (45 min.): Os alunos escolhem um modelo teórico ou real e preenchem as secções avançadas:

• Intended Use: Para que foi desenhado?

• Out-of-Scope Use: Onde é que é proibido ou perigoso usar? (ex: "Não usar para decisões médicas").

• Factors: Funciona igual para todos os géneros, idades ou etnias?

3. Simulação de auditoria (25 min.): Os grupos trocam de Model Cards. Cada grupo deve tentar encontrar uma "falha" ou um risco que o outro grupo não documentou.

4. Reflexão ética (20 min.): Debate final sobre como a transparência pode evitar injustiças sociais causadas pela tecnologia.

Competências:

• Gerir a IA: Demonstrar competência na supervisão e documentação ética de sistemas complexos.

• Pensamento sistémico: Compreender como a origem dos dados afeta as decisões da máquina.

• Comunicação técnica: Utilizar terminologia adequada para descrever processos de aprendizagem automática.