REGISTRO DOI: 10.5281/zenodo.10096180
Elzo Brito dos Santos Filho1
Silvana Sousa Jacó2
Erika Martins Beleza3
Weslania Andresa Vieira da Silva4
Joyce Nascimento Felipe5
Michele Roberta da Silva Caetano Filgueiras6
Mirtes Marroco Paim7
Adriana Lima Batista8
Helena Maria Ribeiro9
Luiz Marcelo Passos10
RESUMO
Este artigo aborda a inteligência artificial (IA) e suas vantagens e limites, especialmente na área da educação. explicando o que são os modelos generativos e os LLMs (grandes modelos de linguagem), mostrando que são ferramentas de IA que podem gerar novos dados a partir de dados existentes. Explora a mudança de perspectiva trazida pelos LLMs na educação, passando da punição do plágio para a criação de atividades criativas e envolventes. Eles podem gerar feedback personalizado e auxiliar na identificação de pontos fortes e fracos dos alunos. Além disso, incentivam a criatividade, desafiando os estudantes a explorar diferentes perspectivas e a desenvolver habilidades de escrita. No entanto, ele também reconhece as limitações como o viés presente nos dados de treinamento, a possível geração de informações incorretas e a falta de conhecimento atualizado, os desafios dessas ferramentas, como a necessidade de validação e atualização do conteúdo gerado, a possibilidade de vieses e erros nos dados de treinamento e a responsabilidade dos professores em integrar as LLMs ao processo de ensino-aprendizagem de forma consciente e equilibrada.
Palavras-chave: Inteligência artificial. Modelos generativos. LLMs (grandes modelos de linguagem). Educação. Materiais didáticos. Professores
ABSTRACT
This article covers artificial intelligence (AI) and its advantages and limits, especially around education. explaining what generative models and LLMs (large language models) are, showing that they are AI tools that can generate new data from existing data. It explores the change in perspective brought about by LLMs in education, moving from punishing plagiarism to creating creative and engaging activities. They can generate personalized feedback and assist in identifying students’ strengths and weaknesses. In addition, they encourage creativity by challenging students to explore different perspectives and develop writing skills. However, it also recognizes the limitations such as the bias present in the training data, the possible generation of incorrect information and the lack of updated knowledge, the challenges of these tools, such as the need to validate and update the generated content, the possibility of biases and errors in the training data and the responsibility of teachers to integrate the LLMs into the teaching-learning process in a conscious and balanced way.
Keywords: Artificial intelligence. Generative models. LLMs (large language models). Education. Teaching materials. Teachers
Introdução
A inteligência artificial (IA) é um ramo dinâmico da ciência da computação que visa criar sistemas capazes de imitar o comportamento humano inteligente. Essa abrangência engloba desde a capacidade de aprendizado até a resolução de problemas e tomada de decisões. Além disso, a IA representa um campo em constante evolução que se propõe a desenvolver sistemas capazes de realizar tarefas que tradicionalmente exigiriam a inteligência humana. A origem da IA remonta a 1950, quando o renomado Alan Turing propôs o famoso teste que leva seu nome. O teste de Turing tem como objetivo determinar se uma máquina pode simular um ser humano a ponto de enganar um observador em uma conversa. Ao longo dos anos, a IA tem alcançado avanços significativos, porém, é igualmente importante reconhecer as limitações substanciais que a acompanham. Um exemplo dessas limitações são os modelos generativos, que são modelos estatísticos usados para prever o comportamento de um sistema. Embora possam ser uma ferramenta poderosa, eles têm limitações e devem ser usados com cuidado e compreensão. Por isso, eles não podem prever eventos imprevisíveis ou raros e podem ser influenciados por vieses nos dados de treinamento. Apesar desses desafios, os LLMs (Grandes Modelos de Linguagem) têm demonstrado seu potencial revolucionário na educação. Com o potencial de personalizar o aprendizado, fornecer feedback em tempo real e criar experiências de aprendizagem mais envolventes. Este artigo explora tanto as vantagens quanto as limitações da aplicação dessas tecnologias inovadoras na educação, oferecendo uma visão holística de como elas podem ser aproveitadas para enriquecer o processo de ensino-aprendizagem.
LLMs (Grandes Modelos de Linguagem)
Apesar dos LLMs terem se popularizados a pouco tempo, eles já vêm sendo desenvolvidos desde os anos 2000, mas os primeiros modelos linguagem como o Word2Vec que foi publicado em 2013 por uma equipe de pesquisadores liderada por Tomas Mikolov no Google (BRITO 2023), apenas em 11 de junho de 2020, quando a OpenAI lançou o GPT-3 houve de fato um foco maior para a utilização desses chatbots especializados em processamento de uma variedade de tarefas de processamento de linguagem natural (PLN)
Os LLMs tem sido uma inovação transformadora em diversos setores da sociedade, incluindo a educação com o intuito de aprimorar o processo de ensino-aprendizagem. No entanto, como qualquer avanço tecnológico, as LLMs apresentam vantagens e limitações que merecem uma análise aprofundada
Mudança de Perspectiva
A aplicação das LLMs na educação vai além das preocupações com plágio, incentivando uma abordagem inovadora onde a criação de atividades que os estudantes queiram elaborar é valorizada. Isso significa que, em vez de se concentrar em punir os estudantes por copiar o trabalho de outros, os educadores podem usar as LLMs para criar atividades interessantes e envolventes que incentivem os alunos a pensar de forma criativa e a desenvolver suas próprias ideias. Isso pode incluir a criação de projetos colaborativos, onde os alunos trabalham juntos para resolver problemas complexos, ou a utilização de jogos educativos que desafiem os alunos a aplicar seus conhecimentos de forma lúdica.
Além disso, as LLMs podem ser usadas para fornecer feedback personalizado aos alunos, ajudando-os a identificar suas forças e áreas de melhoria. Isso pode ser feito através da análise do desempenho dos alunos em atividades específicas e da geração de relatórios detalhados que destacam as áreas em que eles se saíram bem e aquelas em que precisam de mais prática. Dessa forma, os educadores podem adaptar suas estratégias de ensino às necessidades individuais dos alunos, proporcionando uma experiência de aprendizagem mais eficaz e personalizada.
Incentivando a Criatividade
Professores podem desafiar os estudantes a utilizar as LLMs para gerar suas próprias questões e dilemas relacionados aos temas, fomentando a exploração criativa e o desenvolvimento do pensamento crítico. Isso pode ser feito através da criação de atividades que incentivem os alunos a explorar diferentes perspectivas e a pensar de forma criativa sobre os temas abordados. Por exemplo, os professores podem pedir aos alunos que usem as LLMs para gerar perguntas sobre um determinado tópico, e depois discutir essas perguntas em grupo, incentivando o debate e a troca de ideias. Além disso, as LLMs podem ser usadas para ajudar os alunos a desenvolver suas habilidades de escrita criativa. Os professores podem desafiar os alunos a usar as LLMs para gerar histórias, poemas ou outros tipos de textos criativos relacionados aos temas abordados. Isso pode ajudar os alunos a desenvolver suas habilidades de escrita e a expressar suas ideias de forma criativa. Fava (2018): destaca ainda uma crítica que remete a resistência de alguns profissionais perante a esses novos paradigmas: Os currículos atuais, em sua maioria, são construídos por especialistas com opiniões tendenciosas, previsíveis, almas ideológicas, pois desejam a manutenção dos padrões tradicionais e a preservação dos benefícios adquiridos. Em outros cenários, são leais às suas teses de estudos, tendo dificuldades de descartar partes de todo o tecido do conhecimento de seu campo, mesmo que estes já se encontrem desatualizados. (FAVA 2018, p. 144).
Professor como Criador de conteúdo:
Através do uso dos LLMs, os professores têm a oportunidade de desenvolver questões de múltipla escolha, questões dissertativas e roteiros de aulas, fomentando debates e discussões enriquecedoras. Isso significa que os professores podem usar as LLMs para criar materiais didáticos personalizados, adaptados às necessidades e interesses de seus alunos. Além disso, as LLMs podem ser usadas para gerar perguntas desafiadoras e instigantes, incentivando os alunos a pensar de forma crítica e a desenvolver suas habilidades de resolução de problemas como apontado por Xavier (2013, p. 1):
Não se questiona mais a adoção das tecnologias digitais de informação e comunicação (TDIC) pela educação. Discute-se agora como utilizá-las para auxiliar o professor a trabalhar a diversidade de conteúdos presentes nas disciplinas do currículo escolar
A combinação de esboços de planos de aula feitos pelo professor com os detalhes enriquecedores providos pelas LLMs pode proporcionar uma abordagem do conteúdo que contempla diversas perspectivas. Isso significa que os professores podem usar as LLMs para complementar seus próprios conhecimentos e experiências, oferecendo aos alunos uma visão mais ampla e diversificada dos temas abordados. Além disso, essa abordagem híbrida pode ajudar a tornar o processo de ensino-aprendizagem mais dinâmico e envolvente, incentivando os alunos a participar ativamente das discussões e a explorar diferentes pontos de vista.
Desenvolvimento Integral dos Estudantes
Diante da evolução constante da tecnologia, os educadores têm a oportunidade de moldar a integração das LLMs na educação, encontrando um equilíbrio entre praticidade e autenticidade. Isso significa que os professores podem usar as LLMs para tornar o processo de ensino-aprendizagem mais eficiente e envolvente, sem comprometer a autenticidade da aprendizagem. Por exemplo, as LLMs podem ser usadas para gerar materiais didáticos personalizados, adaptados às necessidades e interesses dos alunos, ou para fornecer feedback em tempo real sobre o desempenho dos alunos. De acordo com Bill Gates, a inteligência artificial terá um impacto profundo em vários aspectos da vida humana, desde o trabalho e a educação até a saúde e a comunicação. Ele afirma que essa tecnologia será tão transformadora quanto o microprocessador, o computador pessoal, a internet e o celular. Assim o uso de LLM na educação pode trazer vários benefícios aos diferentes e melhorar a educação em diferentes níveis: níveis de alunos, professores, coordenadores e diretores de escola. O foco deve permanecer no desenvolvimento holístico dos estudantes, combinando o potencial das LLMs com a autenticidade da aprendizagem. Isso significa que os professores devem buscar maneiras de integrar as LLMs ao processo de ensino-aprendizagem de forma a complementar, e não substituir, as interações humanas e o pensamento crítico. Por exemplo, as LLMs podem ser usadas para gerar perguntas desafiadoras e instigantes, incentivando os alunos a pensar de forma crítica e a desenvolver suas habilidades de resolução de problemas.
Quando empregadas com sabedoria e inovação, as LLMs podem se tornar aliadas valiosas no processo de ensino-aprendizagem, proporcionando novas maneiras de engajar os estudantes e expandir horizontes educacionais. Isso pode incluir a criação de atividades colaborativas, onde os alunos trabalham juntos para resolver problemas complexos, ou a utilização de jogos educativos que desafiem os alunos a aplicar seus conhecimentos de forma lúdica. Em resumo, as LLMs oferecem muitas possibilidades para enriquecer o processo de ensino-aprendizagem, desde que sejam usadas de forma consciente e equilibrada.
Otimização do desempenho de grandes modelos de linguagem (LLMs) na educação por meio de prompts melhores
Grandes modelos de linguagem (LLMs) têm o potencial de revolucionar a educação, fornecendo aos alunos acesso a informações e conteúdo personalizado. No entanto, para aproveitar ao máximo os LLMs na educação, é importante fornecer prompts eficazes que permitam aos LLMs gerar respostas precisas e relevantes. Os LLMs são treinados em um enorme conjunto de dados de texto e código. Este conjunto de dados reflete os preconceitos do mundo real e pode afetar a qualidade das respostas geradas pelos LLMs. Por exemplo, se um LLM for treinado em um conjunto de dados que contém principalmente textos sobre história, ele pode gerar respostas mais precisas quando solicitado a escrever sobre história.É importante entender as limitações de alguns LLMs. Por exemplo, o ChatGPT tem seu conhecimento limitado além de 2021. O GoogleBard pode incluir informações incorretas e enviesadas, assim como o BingChat que, apesar de ser o melhor dos três na geração de textos, ainda pode falhar. É vital que os usuários estejam cientes dessas limitações ao utilizar essas ferramentas.
Fornecendo mais detalhes e contexto
Um dos erros mais comuns que as pessoas cometem ao usar LLMs na educação é fornecer prompts vagos ou mal escritos. Por exemplo, se você pedir a um LLM para escrever um ensaio sobre a Revolução Francesa, ele pode gerar um ensaio que é muito geral e não aborda os pontos específicos que você deseja cobrir. Para obter melhores resultados, certifique-se de fornecer mais detalhes e contexto em seus prompts. Por exemplo, se você pedir a um LLM para escrever um ensaio sobre a Revolução Francesa, você pode fornecer mais detalhes, como o período específico da Revolução Francesa que você deseja abordar, os eventos importantes que devem ser mencionados e o público-alvo do ensaio. Você também pode fornecer contexto, como um livro ou artigo que você leu sobre a Revolução Francesa.
Dividindo tarefas complexas em tarefas mais simples
Outro erro comum que as pessoas cometem ao usar LLMs na educação é pedir que eles realizem tarefas complexas. Tarefas complexas tendem a ter taxas de erro mais altas do que tarefas mais simples. Além disso, tarefas complexas muitas vezes podem ser redefinidas como um fluxo de trabalho de tarefas mais simples em que as saídas de tarefas anteriores são usadas para construir as entradas para tarefas posteriores. Por exemplo, se você pedir a um LLM para escrever um relatório de pesquisa sobre um tópico complexo, você pode dividir a tarefa em etapas menores, como: Pesquisar o tópico “Escrever um esboço do relatório”, “Escrever o corpo do relatório”, “Escrever a conclusão do relatório”. Cada uma dessas etapas é mais simples do que escrever um relatório inteiro, e você pode usar as saídas de cada etapa para construir as entradas para a próxima etapa.
Responsabilidade do Professor: A ferramenta não substitui o papel crítico do professor na validação e no aprimoramento do conteúdo gerado. Os professores devem estar atentos às informações geradas pelas LLMs e verificar sua precisão e relevância antes de utilizá-las em suas aulas. Além disso, os professores têm a responsabilidade de se manter atualizados sobre as últimas tendências e desenvolvimentos na área da tecnologia educacional, para que possam utilizar as LLMs de forma eficaz e responsável.
A tecnologia evolui constantemente e os educadores têm a oportunidade de moldar sua integração na educação, equilibrando conveniência e autenticidade. Isso significa que os professores devem buscar maneiras de integrar as LLMs ao processo de ensino-aprendizagem de forma a complementar, e não substituir, as interações humanas e o pensamento crítico. Além disso, os professores têm a obrigação de se atualizar sobre as últimas tendências e desenvolvimentos na área da tecnologia educacional, para que possam utilizar as LLMs de forma eficaz e responsável.
Considerações finais
Os modelos generativos são uma classe de modelos de IA que aprendem a gerar novos dados a partir de dados de treinamento. Eles são diferentes dos modelos discriminativos, que são mais comumente usados em machine learning. Os modelos discriminativos aprendem a distinguir entre diferentes classes de dados de treinamento, enquanto os modelos generativos aprendem a modelar a distribuição dos dados de treinamento para gerar novas instâncias que pertencem a essa distribuição. Na educação, os modelos generativos podem ser usados para criar materiais didáticos personalizados e adaptativos, eles podem ajudar os professores a criar planos de aula e atividades que atendam às necessidades individuais dos alunos. Os modelos generativos também podem ser usados para criar simuladores e jogos educativos que ajudam os alunos a aprender de maneira interativa e envolvente.
De acordo com (BRITO 2023), Andrei Markov foi um matemático russo que contribuiu significativamente para a teoria da probabilidade, sendo mais conhecido por seu trabalho com Cadeias de Markov. Sua pesquisa pode ser útil para entender como funcionam os modelos generativos na educação. É importante destacar que a inteligência artificial não é uma caixa preta. Ela é baseada em princípios matemáticos bem estabelecidos e conhecidos, como os desenvolvidos por Markov. Os algoritmos usados em IA são desenvolvidos por pesquisadores e engenheiros e são rigorosamente testados antes de serem implementados. Isso significa que a IA é uma ferramenta poderosa que pode ser usada para melhorar a educação. Os modelos generativos têm o potencial de revolucionar a educação, ajudando os professores a criar materiais didáticos personalizados e adaptativos. Isso pode levar a um aprendizado mais eficaz e envolvente para os alunos. No entanto, é importante lembrar que as LLMs não substituem a responsabilidade crítica do professor na validação e aprimoramento do conteúdo gerado. No entanto, é importante lembrar que tudo isso são apenas estatísticas. Os modelos generativos podem ser uma ferramenta poderosa, mas são apenas modelos estatísticos. Eles têm limitações e devem ser usados com cuidado e compreensão. Por exemplo, os modelos generativos podem ser usados para prever o desempenho dos alunos, mas eles não podem prever eventos imprevisíveis ou raros. Além disso, os modelos generativos podem ser influenciados por vieses nos dados de treinamento ou terem sido mal treinados, o que pode levar a resultados imprecisos ou injustos.
REFERENCIAS
FAVA, Rui. Trabalho Educação e Inteligência Artificial: a era do indivíduo versátil.
Porto Alegre: Editora Penso, 2018.
BARRETO, L. R.; PREZOTO, M. G. Introdução a sistemas especialistas. 2010. 34f.
Relatório (Disciplina de Mestrado em Tecnologia para Sistemas e Fenômenos
Complexos) – Faculdade de Tecnologia de Limeira, Limeira, 2010
Brito, E. (2023). A era da inteligência artificial: A linha do tempo da inteligência artificial
Gates, B. (2023). A new era – the age of AI has begun. Disponível em 21 de março, 2023, de https://www.gatesnotes.com/The-Year-Ahead-2023 Acessado em 16 de abril. 2023
1 Graduado em Ciência da Computação Especialização em Desenvolvimento Web. Mestrando em Tecnologias
Emergentes em Educação pela Must University.
E-mail: elzobrito@gmail.coelzobrito@gmail.com.
2 Licenciada em Educação Física, pela Faculdade Integrada do Ceará, tendo especialização em Gestão Escolar pela Faculdade da Aldeia de Carapicuíba, Mestranda em Tecnologias Emergentes em Educação pela Must University.
E-mail silvanasjg@hotmail.com.
3 Bacharel em Serviço Social, Especialização em Docência do Ensino Superior pela Faculdades integradas de Jacarepaguá do Rio de Janeiro. Mestranda em Tecnologias Emergentes em Educação pela Must University Flórida.
E-mail: erika.beleza@yahoo.com.
4 Licenciada em pedagogia pela universidade federal da Paraíba UFPB, especialista em educação infantil pela UNINTER, mestranda em tecnologias emergentes em educação pela MUST university.
E-mail: weslaniaavs@gmail.com.
5 Licenciada em Pedagogia pela Universidade Federal de Goiás. Especialização em Educação Infantil, Alfabetização e Letramento pela Faculdade Brasileira de Educação e Cultura, e Gestão Escolar (Administração, Supervisão, Orientação e Inspeção) pela Faculdade Venda Nova do Imigrante. Mestranda em Tecnologias Emergentes em Educação pela Must University – Flórida.
E-mail: joyce.felipe@icloud.com
6 Licenciada em Engenharia Agrônoma, pela Faculdades Integradas Aparício Carvalho, tendo especialização Planejamento e auditoria Ambiental pela mesma instituição e Licenciada em Química pela Faculdade de Educação e Meio Ambiente com Especialização em Ensino de Química e Metodologias de Ensino de Química e Biologia, Mestranda em Tecnologias Emergentes em Educação pela Must University.
E-mail: mylle_roberta@hotmail.com.
7 Bacharel em Administração de Empresas – Unitau/Taubaté-SP Licenciada em Pedagogia pela Falc /SP
Pós Graduada em Supervisão Escolar – FCE/SP, Pós Graduada Gestão de Recursos Humanos – Ipemig/MG, Pós Graduada Gestão Estratégica da Educação – Ibta/SP, Formação Pedagógica – UNIMEP/SP, Mestranda em Tecnologias Emergentes em Educação pela Must University – Flórida.
E-mail: mirtespaim66@gmail.com.
8 Licenciatura em Letras Língua Inglesa- Uninorte – Manaus Pós graduada no Ensino da Língua Inglesa.
Tutoria em Educação a Distância; Tecnologias e Educação a Distância – Faculdade São Luís. Mestranda em Tecnologias Emergentes em Educação- Must University- Flórida.
E-mail: adriana_lima28@hotmail.com.
9 Graduada em Pedagogia pela Universidade Federal de Uberlândia (UFU). Especializaçoes: Docência na Educaçao Infantil pela Universidade Federal de Uberlândia (UFU) e Atendimento Educacional Especializado ( A EE) pela Universidade Cândido Mendes ( UCAM).Mestranda em Tecnologias Emergentes em Educação pela Must University – Flórida.
E-mail: helenamaria236@outlook.com
10 Graduado em Educação Física – UNIFOR / MG*Pós-Graduado em Treinamento UNIFOR / MG Esportivo
Mestrando em Tecnologias Emergentes em Educação pela Must University
E-mail: luizmarcelopassos@gmail.com