AI and learning methodologies

Photo by fotografierende from Pexels

A APETEC vai estar em Bruxelas no próximo dia 13 de Março a convite da European Alliance for Apprenticeships apoiada pela Comissão Europeia para apresentar a sua visão sobre a Inteligência Artificial aplicada ao sistema de E-learning.

A intervenção terá lugar no 2º Painel do dia cujo tema é “As aprendizagens do Futuro” .

A agenda provisória pode ser consultada no link abaixo.

agenda

A APETEC na European Vocational Skills Week 2019

A APETEC foi convidada para estar presente na Semana Europeia do Ensino Vocacional que decorre em Helsínquia de 14 a 18 de Outubro de 2019.

As aprendizagens com recurso a sistemas tecnológicos com aplicação da inteligência artificial  serão os elementos transformadores em todo o mundo do ensino-aprendizagem.
Em Portugal, a APETEC quer contribuir para que essa mudança se torne um padrão a seguir pelos diversos intervenientes na formação e educação de adultos.

 

 

eLearning e Inteligência Artificial (2)

  1. Evolução da IA

Para podermos compreender e sustentar cientificamente o processo de ensino – aprendizagem no âmbito da Inteligência Artificial, temos de olhar para os estudos realizados ao longo dos séculos XX e XXI sobre o funcionamento do cérebro na vertente cortical e límbica, analisar as conclusões da Psicometria e da psicologia Diferencial e do Desenvolvimento, bem como, observar áreas afins: Inteligências Múltiplas, Inteligência Emocional, Estilos de Aprendizagem e a Personalidade, para além das respostas que os vários sistemas foram conseguindo dar ao nível das diferentes sociedades, sem esquecer a panóplia de recursos tecnológicos utilizados, durante mais de um século de investigação.

Para poder ser eficaz, qualquer sistema educacional ou de formação profissional necessita de ter a montante um processo de diagnóstico, que possibilite a futura orientação. Este deverá ocorrer numa fase muito precoce. Dito de outro modo, é indispensável medir em tempo útil as características de cada aluno/formando e, a partir dessa informação, orientá-lo, podendo recorrer a estratégias que ajudem no aprender a aprender. O sistema deveria avaliar também o professor/formador, de modo a poder auxiliá-lo na construção das aulas, sejam estas presenciais ou noutra metodologia. Ou seja, temos de ajudar aquele que ensina a selecionar o modelo didático-pedagógico que melhor se ajusta às características dos alunos, tendo em conta a tipologia das matérias e as idiossincrasias do grupo.

Apercebemo-nos pela experiência do dia-a-dia, que cada sujeito tem uma forma própria de aprender. Também não temos dificuldade em concluir que, podemos agrupar as pessoas por características e/ou afinidades que resultam da forma como aprendem. Em resumo, empiricamente constatamos que temos diferentes estilos de aprender e que também existem diferentes estilos de ensinar

Paralelamente, sentimos que as exigências da sociedade atual nos conduzem à seguinte conclusão: aprender a aprender convertesse numa das competências básicas indispensáveis à nossa sobrevivência social. Alvin Tofler (1991), no livro: Mudança e o Poder, defende que nas sociedades modernas o poder se constrói tendo como suporte o conhecimento.

No passado, desde o primeiro quartel do século XX, a Psicometria e a Psicologia Diferencial ofereceram-nos ferramentas como os Testes de Inteligência (QI), de Personalidade, de Aptidões e de Preferências Vocacionais que, globalmente, nos davam informação suficiente para podermos orientar as pessoas, de modo a tentar colocar a “pessoa certa no local adequado”, porém, este sistema sofreu sempre muitos enviesamentos, desde a ditadura do QI, para entrar nas melhores escolas dos USA, até aos países menos desenvolvidos como era Portugal, onde a escassez de meios ocorria com evidência, que nunca existiu uma verdadeira orientação escolar nem mesmo profissional, para não evocar os países em vias de desenvolvimento, nos quais nunca existiu esta necessidade.

Num futuro próximo, a Inteligência Artificial vai contribuir de forma decisiva para segmentar as pessoas em função das suas aptidões, embora como as profissões vão ter uma natureza mais efémera, este processo de colocar o sujeito de acordo com as suas idiossincrasias inato-adquiridas na atividade certa, ocorrerá muitas vezes ao longo da sua vida ativa. Paralelamente, como dizia Alvin Tofler, usando como exemplo a Agroesfera, Tecnoesfera e Infoesfera, existirá sempre uma área dominante, mas as outras vão coexistir.

Com a IA, a China, não na totalidade do seu território, mas nas grandes cidades como Pequim, Xangai, Shenzhen e Hong Kong; nos USA, nas metrópoles como Nova Iorque, Los Angeles, São Francisco e Boston, vai haver a aplicação quase generalizada desta tecnologia. Ao invés, noutras zonas, a integração será parcial e, nas menos desenvolvidas, todo funcionará de forma tradicional. Na Europa, o Sul terá muito menos cidades envolvidas neste movimento inovador, daquilo que ocorrerá no Norte e no Centro.

Em suma, existirá um desenvolvimento desigual como sempre ocorreu ao longo da História, só que nos séculos XXI e XXII, o tempo de mudança vai acontecer em períodos cada vez mais curtos; prevê-se que existam de acordo com uma progressão geométrica. Mesmo na América Central e do Sul, e em várias zonas da Ásia, que na primeira metade deste século estarão na cauda da evolução da IA, previsivelmente, até ao final do mesmo, vão estar muito próximas da média. Na África, é previsível que tudo ande ainda mais de vagar, embora não saibamos como os diferentes continentes vão progredir na segunda metade do século XXI.

 

  1. Os Estilos de Aprendizagem e IA

artificial inteligence

Numa sociedade como a portuguesa, que acumula erros educacionais há muitas gerações, fazendo investimentos na educação e na formação sempre numa ótica de curto prazo; o que nos tem colocado, endemicamente, na cauda da Europa. Daqui ressaltam, destacadamente, os problemas da preparação dos jovens para a vida laboral e os da formação contínua e de reciclagem. Neste início de século e do milénio, onde urge fazer mudanças essenciais para a nossa sobrevivência enquanto Nação, o que nos obrigará a uma reflexão que, inevitavelmente, deverá ter consequências práticas, se não queremos afastar-nos mais deste Continente, onde estamos, por direito próprio, há mais de oito séculos.

Esta reflexão vai colocar-nos perante o problema do diagnóstico pré-educativo ou preformativo, onde surgirão, inevitavelmente, perguntas como as seguintes:

  • Sabemos que as pessoas aprendem de modo diferente, será que é possível diagnosticar essas diferenças?
  • Uma vez encontrado um hipotético estilo de aprendizagem, podemos mudá-lo e ensinar outro?
  • Qual a origem e de que depende cada estilo de aprendizagem encontrado?
  • Que implicações pedagógico-didáticas pode ter cada estilo diagnosticado e que repercussões ou que impactos terá na carreira académica e profissional de cada pessoa?

Da mesma maneira que a Inteligência Artificial, a medicina geral e familiar, como outras especialidades, dão um contributo decisivo; numa primeira fase, na ajuda para a tomada de decisão. Dito de outro modo, o médico vai inserir no sistema as análises ao sangue, urina e vários exames complementares de diagnóstico, como RX, RM, TAC, ECG, anamnese, queixas do doente, etc. O algoritmo fará a avaliação com base nos dados fornecidos pelo clínico, mas também daqueles que existem na memória do sistema e, ainda, no Big Data, isto é, de tudo o que está presente na rede. Também na Educação e na Formação Profissional, as perguntas que estão colocadas no parágrafo anterior vão sendo sucessivamente respondidas:

A IA vai avaliar todas as diferenças existentes no processo de aprendizagem de cada pessoa e onde radicam essas idiossincrasias. Fará com que o aprendente adquira conhecimentos em função da sua matriz biopsicossocial ou, caso esta não sirva para aquilo que a própria pessoa deseja alcançar, propõe-lhe um plano de mudança de seu estilo. A título de exemplo, o individuo é reflexivo, portanto, as suas decisões são muito ponderadas; analisando detalhadamente todos os prós e os contras de cada escolha; o que inevitavelmente consome muito tempo. Porém, esta pessoa é Controladora de Tráfego Aéreo, onde se exige segurança, análise ponderada, capacidade decisão em situações críticas, com um elevado controlo emocional; caraterísticas típicas de um reflexivo, todavia, tudo isto tem de ocorrer em frações de segundos, portanto, a variável tempo é determinante, todavia, esta não faz parte das caraterísticas do estilo reflexivo mas do ativo. Em suma, o sistema vai ter de ajudar esta pessoa a mudar uma parte significativa da sua matriz comportamental.

Para se poder entender melhor o nível e as conexões destas premissas, será importante fazer uma breve reflexão sobre os Estilos de Aprendizagem e sobre os Estilos de Ensinar. É hoje um lugar comum dizer: “as pessoas aprendem de forma diferente umas das outras”, no entanto, resta saber como o fazem. Muitas investigações têm demonstrado que uns sujeitos organizam a informação de modo muito diverso: linear, sequencial, global, etc. Podemos então começar por refletir, num âmbito didático-pedagógico, qual deverá ser a eficácia dos modelos de ensino apresentados na atualidade, que sugerem uma única solução, quiçá, tida como a melhor para cada pessoa ou grupo alvo, num determinado momento da evolução de saberes e da aquisição de conhecimento.

O Behaviorismo, bem como o Ensino Programado, que é oriundo desta corrente psicopedagógica (The Science of Learning and the Art of Teaching, Skinner, 1954), sempre partiram do pressuposto de que era necessário pegar no “TODO” e segmentá-lo em pequenas tranches, por este processo poder funcionar como um facilitador, no entanto, se ligarmos as mesmas entre si por um elo lógico e sequencial, de modo a que cada segmento termine com um reforço adequado à situação, alcançar-se-á a aprendizagem plena. Hoje podemos concluir que esta estratégia continua a ser a mais correta para determinadas pessoas, mas não para outras. Sabemos também que este modelo pedagógico se adapta muito bem a determinadas matérias, mas não a todas. Assim, se queremos aumentar a eficácia do processo de ensino/aprendizagem será necessário investigar cada estilo individual, mas em paralelo conjugar essa informação com a tipologia dos conteúdos. Portanto, há inúmera informação que tem de ser correlacionada, daí que seja necessário criar algoritmos capazes de realizar este trabalho, pois pelos processos tradicionais como foi proposto por Kolb, Honey e os Dunn, dificilmente chegaremos a bom porto.

Se pensarmos nos meios tradicionais de aprendizagem, de que o livro é um bom exemplo, constatamos que as pessoas podem estudar de acordo com a própria lógica do meio, isto é, sequencialmente, embora saibamos que outros sujeitos o fazem de forma alternada; neste caso, será o estilo da pessoa a querer contrariar a lógica do suporte usado. Atualmente, em alguns modelos de aulas virtuais de eLearning, em sistemas multimédia offline e no hipertexto, já é o próprio suporte que sugere que o estudante siga uma estratégia ditada pelo seu estilo. Noutra aceção (plataformas online), será o próprio sistema computacional a diagnosticar o estilo de aprendizagem e, a partir dele, automaticamente, fará a orientação de acordo com uma estratégia pré-definida, otimizada, completamente sustentada pelas características de cada estilo de aprendizagem.

Todos os professores, formadores, tutores, consultores pedagógicos e técnicos das diferentes áreas da educação/formação devem conhecer, até ao mais ínfimo pormenor, que aprendemos de maneiras muito diversas: observando, repetindo, imitando, por tentativa e erro, por associação de ideias, por reflexão, através da resolução de problemas ou de tarefas, etc., no entanto, será essencial perceber que, desde o momento em que o estímulo atua sobre os nossos sentidos, até à fase em que a informação chega ao cérebro, existiu um longíssimo caminho a percorrer cheio de obstáculos e de filtros, o qual, como é óbvio, variará de pessoa para pessoa, tendo em conta aspetos biológicos, psicológicos e sociais, ligados à hereditariedade, à cultura, ao percurso de vida e ao psiquismo individual.

O modelo de Processamento da Informação de Gagné, R. (1987) demonstra que existe um ciclo de aprendizagem, que começa “sempre” na motivação e termina no feedback. Portanto, alimenta-se do dinamismo do processo, fazendo com que cada “coisa” passe a ter um significado próprio para cada sujeito (idiossincrasia), isto é: entre o “velho” (o conhecido) e o “novo” (o desconhecido) é estabelecida a ponte do conhecimento. A motivação vai orientar a nossa atenção seletiva, a qual irá escolher aquilo que tem ou não qualidade para continuar a viagem até alcançar a meta no interior do cérebro: “o armazém do conhecimento”. Por outro lado, a atribuição de significado para aquela pessoa, levá-la-á a codificar esse significado, preparando logo a futura resposta ou, a capacidade para elaborar a mesma e concomitantes desempenhos, os quais vão variar de intensidade em função do reconhecimento/reforço que alimentam as expectativas e a motivação, que é o mesmo que dizer: fecha-se o ciclo da aprendizagem e inicia-se outro.

O papel do cérebro límbico, como lhe chamou Ned Herrmann (1996), deverá ser tido como fundamental no processo de aprendizagem, pois pode condicionar ou, mesmo impedir o funcionamento de todo o circuito cognitivo. No que dissemos antes sobre os diferentes modelos, nunca referimos de forma clara a importância dos aspetos emocionais no processo de aprendizagem, embora estes estejam implícitos quando falamos sobre motivação. Pretendemos fazê-lo com bastante detalhe mais a frente, mas por agora vamos apenas relacionar o cognitivo com  o emocional nos Estilos de Aprendizagem, pois como sabemos estes possuem uma natureza biopsicossocial. Dito de outro modo, os estilos são a parte visível do nosso comportamento; são, portanto, os indicadores de superfície dos níveis profundos da mente.

O principal problema não está situado na utilidade dos Estilos de Aprendizagem, mas sim no seu diagnóstico preciso e rigoroso ou, mais ainda, na conceção dos planos de estudo, das didáticas e estratégias rigorosamente montadas de acordo com o ou os estilos dominantes. Para desenhar as tão ambicionadas estratégias e planos de estudo, não é importante o sistema de ensino (presencial, distância, alternância, etc.), nem a faixa etária dos estudantes ou a tipologia dos conteúdos, mas o modelo que queremos implementar para provocar a mudança de atitudes.

 

  1. Estilos de Aprendizagem, Big Data e IA

big data

A Inteligência Artificial, no que concerne aos Estilos de Aprendizagem, será uma ajuda essencial; vejamos porquê. Podemos aplicar os questionários de “papel e lápis” ou utilizar a Plataforma NetForma de eLearning, com a finalidade de avaliar os estilos de uma turma presencial de 25 alunos ou um curso de eLearning com 950 formandos. Este primeiro passo é fácil, pois existem 20 anos de experiência na implementação deste sistema, porém, onde começa o problema? – Na classe presencial ficamos a conhecer o estilo de cada pessoa, todavia, a dificuldade vai surgir logo a seguir, ou seja, o que fazer com essa informação. Obviamente, para cada aluno, estes dados são essenciais na lógica do “aprender a aprender”, uma vez que, a cada individuo será explicado como é que ele deve estudar em função da suas características, contudo, no que concerne ao “aprender a ensinar” a tarefa já é mais complexa, pois o tutor, professor ou formador têm de preparar quatro conjuntos de materiais de estudo; isto é, conteúdos para reflexivos, pragmáticos, teóricos ou ativos, pois só assim tirará verdadeiro partido desta segmentação.

No que diz respeito ao eLearning, bLearning e mLearning o processo está muito facilitado, pois a formando/aluno realiza a avaliação online e sabe imediatamente os resultados, bem como, são-lhe dadas instruções, de como deve “aprender a aprender”, além disso, os 15 minutos gastos para preencher o questionário serão altamente rentabilizados, pois cada pessoa, em princípio realiza uma prova única durante a sua vida ativa, com a vantagem do Big Data poder utilizar estes dados para outras finalidades. Onde está então o problema nos sistema automáticos, como é o caso do eLearning através da Plataforma NetForma?

As vantagens para quem aprende são inúmeras, como já foi por nós claramente demonstrado em várias investigações, mas na ótica dos custos, esta modalidade obriga a multiplicar por quatro as verbas do desenvolvimento. É certo que vamos recuperar este montante quando existe escala, ou seja, acima de 500 formandos, porém, exige uma alta especialização por parte de quem desenvolve os cursos, pois estes técnicos têm de construir as aulas teóricas, as aulas práticas e outros materiais por quatro vezes; uma por cada Estilo de Aprendizagem. Em resumo, os custos vão subir de uma forma muito significativa, dado obrigar os consultores pedagógicos, altamente especializados, a quadruplicar o tempo de produção dos conteúdos de cada  curso, uma vez que terão de criar, construir e desenvolver materiais para cada uma das tipologias.

Quando é que a IA poderá vir a ser a solução que há muito anos se procurava? Existem quatro Estilos de Aprendizagem, contudo, há pessoas que apresentam classificações muito próximas em estilos que não são afins, como Reflexivo com Ativo e o Pragmático com Teórico. Isto significa que, por razões biopsicossociais ou especialmente devido à cultura familiar ou de grupo, estes aspetos paradoxais coexistem na mesma pessoa, portanto, num processo manual ou automático, o aprendente é enviado para um dos dois estilos principais, pois ele aprende bem em ambos. Com a IA este problema será mais fácil de resolver, pois numa lógica de causa – efeito, a tomada de decisão será probabilística, mas verdadeira. Além disso, será construído apenas um só curso de eLearning e os conteúdos serão rearranjados com base em dois vetores: um do Teste de Diagnóstico, ou seja, o estudante só irá aprender o que não sabe, uma vez que esta prova, através de porções mínimas da matéria, por exemplo, os tópicos, vai dimensionar o curso a partir do desconhecimento de cada sujeito aprendente. Cada pessoa deverá ter um curso em função daquilo que não sabe, portanto, numa “turma”, cada pessoa possuirá um curso com uma carga horária diferente e conteúdos distintos.

Embora recorrendo ao mesmo método do paragrafo anterior, este algoritmo será com certeza muito mais difícil de construir que o anterior. Utilizará os resultados do questionário para construir o curso, tendo por base as idiossincrasias de cada estudante e dos quatro estilos, sejam estes puros ou com interinfluências mútuas dos outros. O ponto de partida será sempre o disgnóstico, o qual determinará o modo como o sujeito aprende e as suas caraterísticas únicas de abordagem dos materiais, as estratégias a que recorre. Por exemplo, lê o conteúdo de relance, sem grande atenção seletiva só para se contextualizar ou, ao invés, entra nele e dá ao mesmo toda a atenção. Dito de outro modo, faz uma leitura na diagonal ou começa logo a tentar compreender e memorizar? – Faz resumos escritos ou fica-se apenas pela leitura? – Se o curso é de eLearning e é baseado no modelo pedagógico SAFEM-D, visiona os vídeos, responde aos casos e problemas e ouve, vê e interage na leitura dos slides? – Lê o e-manual em seguida, ou seja, cumpre sequencialmente as Aulas Teóricas antes de iniciar as aulas Práticas, para depois realizar a avaliação inerente ao que aprendeu? – Ao invés, não vê vídeos, só ouve, vê e interage na leitura dos slides e depois faz as Aulas Práticas e a avaliação?

O algoritmo da IA segue todos os procedimentos do parágrafo anterior e realiza uma análise de conteúdo que rearranja/elimina as matérias que não pertencem a um dado estilo. Para melhor sermos compreendidos, vamos dar um exemplo, que embora possa ser muito grosseiro, apresenta um curso destinado ao Estilo Ativos, tendo como contraponto os Reflexivos. O algoritmo retira aos Reflexivos todas as matérias que não sejam as essenciais e coloca estas como um ficheiro de “sabe mais” (parte destinada só para alguns ativos, ou seja, matérias que estão fora da carga horária do curso. Só visitada pelos ativos mais curiosos). Ao mesmo tempo, coloca em destaque os conteúdos do curso que exigem desafios, como jogos, resolução de problemas simples, ou seja, tudo o que vai exigir ação, tomada de decisão, quiçá, algum risco. Este conteúdo para os Ativos, não devem implicar análises de grande profundidade, pois o Estilo Ativo adora coisas novas, desafiantes, mas que não obriguem a muito tempo de estudo ou realização. Não vamos explicar neste artigo a forma de construir e programar o algoritmo, pois o risco de sermos mal interpretados é muito grande, principalmente, porque esta narrativa iria obrigar a muitos passos explicativos, que fogem do âmbito deste artigo.

Kolb (1976) propõe-nos metodologias e processos de treino que capacitem o aluno/formando com o mesmo grau de proficiência em todos os estilos. Honey (1986), ao invés, considera mais eficaz fazer o diagnóstico e, depois, a partir do estilo ou estilos dominantes (Reflexivo, Ativo, Teórico ou Pragmático) ensinar-se o sujeito a aprender a aprender de acordo com as características evidenciadas no seu perfil de aprendizagem, obviamente, atendendo sempre ao contexto e às componentes afetivas.

Os trabalhos de Witkin e os de Goodenough (Estilos Cognitivos, 1975) sobre a dependência e independência de campo e Estilos Cognitivos, demonstram que devido a aspetos meramente idiossincráticos, alguns de nós têm preferência por estratégias globais, ao invés, outros preferem as analíticas, por ação direta do nosso aparelho cognitivo.

Os trabalhos de Rita Dunn e Kenneth Dunn (1984) são bem demonstrativos da importância dos fatores ambientais para a aprendizagem, muito embora a sua aplicação prática seja de difícil implementação, pois o ecossistema escolar ou, mesmo o da formação profissional, não são tão moldáveis como possam parecer à primeira vista. Contudo, fica-nos o rigor metodológico dos trabalhos e a certeza da importância de agir em função dos estímulos do ambiente. Há, porém, uma “nova luz ao fundo do túnel”, que nasceu com as TIC e com o eLearning e agora com a IA, dado ser hoje possível controlar em qualquer espaço o habitat de cada sujeito, por exemplo, relativamente à luz, som e às temperatura ideais, tal como estes autores propõem, mas agora através da IoT.

O modelo de Estilos de Aprendizagem proposto por Rita e Kenneth Dunn (1984) será suportado por 21 variáveis, que resultam dos principais motivos propostos pelos alunos para atingir a eficácia nos estudos. São essencialmente estímulos destinados a interagir com os diferentes órgãos sensoriais, com os afetos e a estrutura cognitiva, portanto, há uma relação causal direta. Se melhorarmos os produtores de estímulos positivos e controlarmos e/ou anularmos os negativos, chegaremos a uma aprendizagem eficaz.

O modelo dos Dunn, embora tenha surgido no universo dos modelos cognitivos, possui inúmeras semelhanças conceptuais com o Behaviorismo de Skinner, de comportamento/reforço. Este modelo apoia-se na regulação do equilíbrio das diferentes necessidades e, através dele, o ser humano irá alcançar o pleno da aprendizagem. É evidente que o homem é um ser complexo, o que significa, na nossa opinião, que não será suficiente mudar mecanicamente os estímulos para alcançar o êxito, embora seja para nós evidente, que a conjugação adequada de fatores como a luz, a temperatura, a adaptação ergonómica dos espaço; para só citarmos alguns, poderá ter profundas implicações na eficácia da aprendizagem. Aqui, mais uma vez a IA, conjugada com a Internet das Coisas (IoT), podem dar um contributo decisivo ao processo de aprendizagem, quer estamos a falar das metodologias presenciais ou online.

 

  1. Estilos, Inteligências Múltiplas, Inteligência Emocional e IA

Rosenthal (1965), demonstrou-nos de forma magistral, através da investigação, que as expectativas elevadas dos professores sobre os seus alunos, afetavam positivamente o seu desempenho e provocavam até alterações no QI; o que era até aquela data considerado como sendo impossível de acontecer. Também os trabalhos de Daniel Goleman (1995) são muito ilustrativos da importância central da componente afetiva ou emocional na aprendizagem, para só citar estes dois conhecidíssimos investigadores.

Importa reforçar, desde já, que não foi encontrada nenhuma evidência ou relação direta entre Estilos de Aprendizagem e Inteligência, se esta for encarada como uma mera medida de QI (Quociente de Inteligência). Uma dada pessoa pode ser Reflexiva e possuir um QI de 95 e outra, do mesmo estilo, apresentar um de 150. No entanto, admitimos poder haver uma relação entre os Estilos e as Aptidões, sendo estas, para muitos autores, subconjuntos da Inteligência. Uma pessoa Ativa, por exemplo, poderá ter uma forte aptidão para os negócios, o que implica um determinado número de características que advêm do percurso do indivíduo, do seu meio cultural e da base biológica. Em suma, ter aptidão para o negócio, deriva de um vasto leque de fatores, entre os quais, dispor do estilo Ativo como dominante ou conjugado, preferencialmente, com o Pragmático (Fernandes, A., 2000).

Lisboa, 9 de agosto de 2019

António Augusto Fernandes, Ph.D.

A China começou a aplicar a Inteligência Artificial no ensino.

 

China has started a grand experiment in AI education. It could reshape how the world learns.

In recent years, the country has rushed to pursue “intelligent education.” Now its billion-dollar ed-tech companies are planning to export their vision overseas.

by Karen Hao

 

Aug 2, 2019

Zhou Yi was terrible at math. He risked never getting into college. Then a company called Squirrel AI came to his middle school in Hangzhou, China, promising personalized tutoring. He had tried tutoring services before, but this one was different: instead of a human teacher, an AI algorithm would curate his lessons. The 13-year-old decided to give it a try. By the end of the semester, his test scores had risen from 50% to 62.5%. Two years later, he scored an 85% on his final middle school exam.

“I used to think math was terrifying,” he says. “But through tutoring, I realized it really isn’t that hard. It helped me take the first step down a different path.”

Experts agree AI will be important in 21st-century education—but how? While academics have puzzled over best practices, China hasn’t waited around. In the last few years, the country’s investment in AI-enabled teaching and learning has exploded. Tech giants, startups, and education incumbents have all jumped in. Tens of millions of students now use some form of AI to learn—whether through extracurricular tutoring programs like Squirrel’s, through digital learning platforms like 17ZuoYe, or even in their main classrooms. It’s the world’s biggest experiment on AI in education, and no one can predict the outcome.

Silicon Valley is also keenly interested. In a report in March, the Chan-Zuckerberg Initiative and the Bill and Melinda Gates Foundation identified AI as an educational tool worthy of investment. In his 2018 book Rewiring Education, John Couch, Apple’s vice president of education, lauded Squirrel AI. (A Chinese version of the book is coauthored by Squirrel’s founder, Derek Li.) Squirrel also opened a joint research lab with Carnegie Mellon University this year to study personalized learning at scale, then export it globally.

But experts worry about the direction this rush to AI in education is taking. At best, they say, AI can help teachers foster their students’ interests and strengths. At worst, it could further entrench a global trend toward standardized learning and testing, leaving the next generation ill prepared to adapt in a rapidly changing world of work.

As one of the largest AI education companies in China, Squirrel highlights this tension. And as one of the best-poised to spread overseas, it offers a window into how China’s experiments could shape the rest of the world.

The learning center that Zhou attends, one of the first that Squirrel opened, occupies the second floor of an unassuming building on a busy commercial road in Hangzhou, a second-tier city in Zhejiang province. Company awards line the walls in the stairwell. Further in, large photographs of at least a dozen men are on display: half of them are Squirrel AI’s executives and the others are master teachers, a title bestowed on the best teachers in China, who help develop the company’s curriculum.
The school’s interior decorations are modest. The foyer is small and colorful with lime-green accents. Photos of smiling students hang along the corridor between six or so classrooms. Inside, faded decals of trees and simple mottos like “Be humble” enliven the walls. There are no whiteboards, projectors, or other equipment—just one table per room, meant for six to eight people.
The vehicle of instruction is the laptop. Students and teachers alike stare intently at screens. In one room, two students wear headsets, engrossed in an English tutoring session. In another, three students, including Zhou, take three separate math classes. They work out practice problems on pieces of paper before submitting their answers online. In each room, a teacher monitors the students through a real-time dashboard.
At different points, both teachers notice something on their screen that prompts them to walk over and kneel by a student’s chair. They speak in hushed tones, presumably to answer a question the tutoring system can’t resolve. Though I’m just feet away, I can’t distinguish their words above the soft hum of traffic on the street below.
“It’s so quiet,” I whisper to the small gang of school and company staff assembled for my tour. The Hangzhou regional director smiles with what I interpret as a hint of pride: “There are no sounds of teachers lecturing.”

Three things have fueled China’s AI education boom. The first is tax breaks and other incentives for AI ventures that improve anything from student learning to teacher training to school management. For VCs, this means such ventures are good bets. According to one estimate, China led the way in over $1 billion invested globally last year in AI education.

Second, academic competition in China is fierce. Ten million students a year take the college entrance exam, the gaokao. Your score determines whether and where you can study for a degree, and it’s seen as the biggest determinant of success for the rest of your life. Parents willingly pay for tutoring or anything else that helps their children get ahead.

Finally, Chinese entrepreneurs have masses of data at their disposal to train and refine their algorithms. The population is vast, people’s views on data privacy are much more lax than in the West (especially if they can get coveted benefits like academic performance in return), and parents are big believers in the potential of technology, having seen how much it has transformed the country in just a few decades.

Squirrel focuses on helping students score better on annual standardized tests, which taps straight into national gaokao anxiety; more than 80% of its students return year after year, it says. It also designed its system to capture ever more data from the beginning, which has made possible all kinds of personalization and prediction experiments. It heavily markets its technical capabilities through academic publications, international collaborations, and awards, which has made it a darling of the Shanghai local government.

The strategy has fueled mind-boggling growth. In the five years since it was founded, the company has opened 2,000 learning centers in 200 cities and registered over a million students—equal to New York City’s entire public school system. It plans to expand to 2,000 more centers domestically within a year. To date, the company has also raised over $180 million in funding. At the end of last year, it gained unicorn status, surpassing $1 billion in valuation.

Squirrel isn’t the first company to pursue the concept of an AI tutor. The earliest efforts to “replicate” teachers date back to the 1970s, when computers first started being used in education. Then, between 1982 and 1984, several studies in the US showed that students who received one-on-one human tutoring performed far better than students who didn’t. This set off a new wave of efforts to re-create that kind of individual attention in a machine. The result was adaptive learning systems, which can now be found everywhere from kindergartens to workplace training centers.

Squirrel’s innovation is in its granularity and scale. For every course it offers, its engineering team works with a group of master teachers to subdivide the subject into the smallest possible conceptual pieces. Middle school math, for example, is broken into over 10,000 atomic elements, or “knowledge points,” such as rational numbers, the properties of a triangle, and the Pythagorean theorem. The goal is to diagnose a student’s gaps in understanding as precisely as possible. By comparison, a textbook might divide the same subject into 3,000 points; ALEKS, an adaptive learning platform developed by US-based McGraw-Hill, which inspired Squirrel’s, divides it into roughly 1,000.

Once the knowledge points are set, they are paired with video lectures, notes, worked examples, and practice problems. Their relationships—how they build on each other and overlap—are encoded in a “knowledge graph,” also based on the master teachers’ experience.

A student begins a course of study with a short diagnostic test to assess how well she understands key concepts. If she correctly answers an early question, the system will assume she knows related concepts and skip ahead. Within 10 questions, the system has a rough sketch of what she needs to work on, and uses it to build a curriculum. As she studies, the system updates its model of her understanding and adjusts the curriculum accordingly. As more students use the system, it spots previously unrealized connections between concepts. The machine-learning algorithms then update the relationships in the knowledge graph to take these new connections into account. While ALEKS does some of this as well, Squirrel claims that its machine-learning optimizations are more limited, making it, in theory, less effective.

Squirrel has offered some validation of its system. In October 2017, for example, a self-funded four-day study with 78 middle school students found that the system was better on average at lifting math test scores than experienced teachers teaching a dozen or so kids in a traditional classroom.

The students I speak to at the learning center have high praise for the tutoring program as well. All are finishing middle school and have been coming to the center for more than a year. One girl, Fu Weiyi, tells me she’s improved far faster than when she got individual tutoring from a human teacher. “Here, I have a teacher both on and offline,” she says. “Plus, the instruction is very targeted; the system can directly identify the gaps in my understanding.” Another student echoes the sentiment: “With the system, you don’t have to do tons of exercises, but it’s still effective. It really saves time.”

While I have to take their words with a grain of salt—the students are hand-picked and give their testimonials under intense supervision—I’m still touched by their relief that they’ve found a formula that works to ameliorate the often brutal academic environment. Zhou Yi’s story, perhaps not coincidentally, also neatly illustrates how Squirrel can help struggling students.

For Squirrel’s founder Li, this vision doesn’t stop at tutoring. He has ambitions to break out of the confines of after-school programming and integrate his curriculum directly into the main classroom. Squirrel is already in discussion with several schools in China to make its system the primary method of instruction.

I try to imagine what this world might be like, and whether we might be better off for it. I ask the students one last question: Is there anything that Squirrel could improve? A long pause. Then: “I wish we had more interaction with our human teachers,” Fu says.

Every educational expert I spoke to for this story began by making the same point: to understand how AI could improve teaching and learning, you need to think about how it is reshaping the nature of work.

As machines become better at rote tasks, humans will need to focus on the skills that remain unique to them: creativity, collaboration, communication, and problem-solving. They will also need to adapt quickly as more and more skills fall prey to automation. This means the 21st-century classroom should bring out the strengths and interests of each person, rather than impart a canonical set of knowledge more suited for the industrial age.

AI, in theory, could make this easier. It could take over certain rote tasks in the classroom, freeing teachers up to pay more attention to each student. Hypotheses differ about what that might look like. Perhaps AI will teach certain kinds of knowledge while humans teach others; perhaps it will help teachers keep track of student performance or give students more control over how they learn. Regardless, the ultimate goal is deeply personalized teaching.

A wall at Squirrel’s headquarters showing examples of underperforming students whom the platform “saved.”

Noah Sheldon

Squirrel’s approach may yield great results on traditional education, but it doesn’t prepare students to be flexible in a changing world, the experts I spoke to say. “There’s a difference between adaptive learning and personalized learning,” says Chris Dede, a professor at Harvard University in the Technology, Innovation, and Education Program. Squirrel is doing adaptive learning, which is about “understanding exactly what students know and don’t know.” But it pays no attention to what they want to know or how they learn best. Personalized learning takes their interests and needs into account to “orchestrate the motivation and time for each student so they are able to make progress.”

Jutta Treviranus, a professor at the Ontario College of Art and Design University who pioneered personalized learning to improve inclusivity in education, breaks it down further. “Personalized learning has a number of levels,” she says: she calls them pace, path, and destination.

If the pace of learning is personalized, students with different abilities are allowed different amounts of time to learn the same material. If the path is personalized, students might be given different motivations to reach the same objectives (“Here’s why statistics is relevant to your love of baseball”) and offered the material in different formats (e.g., video versus text). If the destination is personalized, students can choose, for instance, whether to learn with a vocational school or a university in mind.

“We need students to understand their own learning. We need them to determine what they want to learn, and we need them to learn to learn,” Treviranus says. “Squirrel AI doesn’t address those things at all. It only makes it more efficient to bring all of the students to the same standardized place.”

That doesn’t mean that adaptive learning systems won’t have any place in the 21st-century classroom. David Dockterman, a colleague of Dede’s, believes their strength in training people on structured knowledge is still valuable. But it would be a mistake to make them the predominant “teacher” in the classroom: “The kinds of rote activities—knowledge retrieval, skill acquisition—that are more readily teachable with a smart tutor are also the things that are more readily accomplished by a smart machine,” he says.

Li, Squirrel’s founder, is tall and lanky and has severe cheekbones. When he speaks English, he punctuates every few sentences with “Right?,” eyebrows raised, to make sure you’re on the same page. When he speaks Mandarin, his words tumble out twice as fast.

A week after my visit to the learning center, I meet him at Squirrel’s headquarters in Shanghai. In the style of an understated showman, he gives me the grand tour. The modesty of the learning center stands in sharp contrast to the office décor here: each wall boasts of different details about the company and milestones it’s reached. Here’s one with all its media mentions. Here’s another with all its awards. And here are some examples of students who were deemed “hopeless” and then saved. I run into another tour before I’ve finished my own.

A few steps past the first door, Li points out a screen to my immediate left playing a TV clip on repeat. It’s a game show featuring a showdown between Squirrel’s tutoring system and a human teacher—one of the best in China, he says. Three of the teacher’s students, whom he has taught for three years, stand alongside him on stage solving problems. The system and the teacher compete to predict which ones they will get right.

Li doesn’t wait for the clip to end to reveal the punchline: “In three hours we understand students more than the three years spent by the best teachers.”

On screen, the teacher looks increasingly crestfallen and humiliated. “He looks so sad,” I say.

“You noticed!” Li laughs.

Much of Squirrel’s philosophy stems from Li’s own experiences as a child. When he was young, he didn’t have very good emotional intelligence, he says, and reading books on the subject didn’t help. So he spent half a year dividing the skill into 27 different components and trained himself on each one. He trained himself to be more observant, for example, and to be an interesting conversationalist (“I spent a lot of time finding 100 topics, so I have a lot of material to talk with others,” he says). He even trained himself to keep smiling when others criticized him. (“After that, in my life, I do not have any enemies.”) The method gave him the results he wanted—along with the firm belief that anything can be taught this way.

Li uses an analogy to lay out his ultimate vision. “When AI education prevails,” he says, “human teachers will be like a pilot.” They will monitor the readouts while the algorithm flies the plane, and for the most part they will play a passive role. But every so often, when there’s an alert and a passenger panics (say, a student gets bullied), they can step in to calm things down. “Human teachers will focus on emotional communication,” he says.

Li thinks this is the only way humanity will be able to elevate its collective intelligence. Entrusting teachers with anything else could risk “damaging geniuses.” He’s playing out this philosophy on his own kids, using Squirrel’s system as much as possible to train them. He boasts that his eight-year-old twin boys, in the second grade, are now learning eighth-grade physics, a testament that his method is working. “Only adaptive systems could make such miracles,” he says.

Squirrel is already exporting its technology abroad. It has cultivated its international reputation by appearing at some of the largest AI conferences around the world and bringing on reputable collaborators affiliated with MIT, Harvard, and other prestigious research institutes. Li has also recruited several Americans to serve on his executive team, with the intent of pushing into the US and Europe in the next two years. One of them is Tom Mitchell, the dean of computer science at Carnegie Mellon; another is Dan Bindman, who led the user experience and editorial teams at ALEKS.

Treviranus worries that Squirrel’s educational philosophy is representative of a broader flaw in China’s pursuit of intelligent education: its emphasis on standardized learning and testing. “The tragedy of the China experiments is that they’re taking the country to a point of education that any progressive pedagogue or education system is moving away from,” she says.

But she believes that China also has one of the best opportunities to reinvent a more teacher-friendly, learner-focused classroom environment. It is less entrenched than the West in older models of education and much more willing to try new ideas. “China needs to look at a completely different form of AI,” she says. The question is: What does that mean?

The answer may lie a dozen miles west of Squirrel’s headquarters, across from the Huangpu River that courses through Shanghai. There, Pan Pengkai, a children’s educational expert, is conducting experiments of a different nature.

Pan has been thinking about how to use AI in education for nearly two decades. Fifteen years ago, he founded his first ed-tech company in China after getting his PhD from the MIT Media Lab. Inspired by his experience in grad school, he focused on building tools for learning English. “Innovation comes from difference,” he says. “That’s exactly what China lacks. If you are able to speak multiple languages, you are able to talk to different people; you are able to communicate different ideas.”

Pan now runs Alo7, a K-12 ed-tech company with the same mission of teaching English. Unlike many other firms, though, it seeks to move away from test-oriented learning and instead foster creativity, leadership, and other soft skills. The company offers products and services for both physical and digital classrooms. It has an online learning platform, paired with a collection of textbooks, for example, that help students learn and practice their language skills. It also has a service that connects up to three pupils via video with English tutors abroad for regular group lessons. To date, it has served some 15 million students and teachers and partnered with 1,500 institutions nationally.

Unlike Squirrel, Alo7’s online learning platform is meant to supplement a traditional classroom. Knowledge that can be exercised through adaptive learning, like vocabulary words, is practiced at home through the app. So are skills like pronunciation, which can be refined through speech-recognition algorithms. But anything requiring creativity, like writing and conversation, is learned in the classroom. The teacher’s contribution is vital. Pan offers a parallel: “There’s lots of medical technology used in hospitals, but we cannot say the machine is better than the doctors. It’s still a doctor’s assistant tool.”

Pan’s ultimate vision for AI in education is to get rid of standardized tests entirely. “Why do we test people for two or three hours to determine if they are good or bad?” he asks. He thinks AI will eventually create flexible learning environments that are as good for sensitive and creative students as for precise and analytical ones. Education will no longer be about competition, he says.

Last year Alo7 began to experiment more. It added face and voice analysis to its video tutoring sessions to produce summary reports of each lesson. Algorithms measure how much time the students spoke English in class, the accuracy of their English pronunciation, and basic indicators of their engagement and joy, such as the number of times they opened their mouth to speak and laugh. Earlier this year, the company created several physical classrooms equipped with cameras and microphones to produce similar analyses. Teachers get reports on their own performance, too.

I go see one of Alo7’s intelligent classrooms for myself. It’s small but bursting with color. The walls are illustrated with the company’s mascots, five cartoon companions with distinct personalities, which appear throughout the company’s educational materials. There are neither tables nor chairs, just a bench that runs along the back wall. At the front are a whiteboard and two TVs for displaying the day’s curriculum.

There are no classes in session, but a company employee plays me some short clips of elementary school classes. In one, six students sit on a bench and practice saying the names of different animals. “Bird, bird, bird!” they chant with their teacher as she flaps her arms like wings. “Turtle, turtle, turtle!” they continue as the screen changes its display to a cartoon turtle. The teacher-student interactions take the foreground; the AI purposely fades, unnoticed, into the back.

Dede says the kind of data generated in an intelligent classroom could be useful, but he cautions that cameras and other sensors could also be misused to judge a student’s emotions or state of mind, applications that have little grounding in science and could lead to over-surveillance. Pan agrees that it’s important to be careful: “That’s why we provide the data mainly for teachers and not students, because we haven’t yet run scientific tests.”

Pan tells me he doesn’t have plans to expand Alo7 beyond China. The domestic market alone is enough of a challenge when he’s selling an education philosophy that goes against the mainstream. But he’s begun to see a shift in the national conversation. As government leaders have sought new ways to stimulate innovation, the idea of a “quality-oriented education”—one that emphasizes creativity and the liberal arts—has gained momentum.

In February of last year, China’s education ministry passed a series of reforms, including stricter licensing for tutors, aimed at reducing the obsession with testing. Earlier this month, the government also unveiled a set of guidelines to focus more on physical, moral, and artistic education, and less on exams. Though critics point out it still hasn’t eliminated the gaokao, Pan is optimistic about its intent to change. Alo7 is also ready to help the country search for new paths forward.

“We want to change the future of Chinese education with technology,” Pan always says. China’s current mass experiment in AI education, and the choices it must make, might also change education for the world.

Corrections: Alo7’s video-tutoring service follows a group format; it’s not one-on-one. After publication, Squirrel clarified that Dan Bindman was the editorial director at ALEKS, not a co-founder as stated on Squirrel’s website, and both companies use fewer knowledge points than the former previously shared. ALEKS also has more data than Squirrel.

Author

Karen Hao

Fonte: https://www.technologyreview.com/s/614057/china-squirrel-has-started-a-grand-experiment-in-ai-education-it-could-reshape-how-the/

 

 

 

eLearning e Inteligência Artificial

Quando no longínquo ano de 1998 começámos a desenhar e construir as bases da Plataforma NetForma Da Vinci Web 4.0 e Modelo Pedagógico e Andragógico SAFEM-D (Sistema Aberto de Formação e Educação Multimédia a Distância), já a Inteligência Artificial estava no nosso horizonte, obviamente, circunscrita aos conhecimentos da época, razão pela qual passou a ser a única plataforma (LMS) do mundo a medir com elevado rigor os Estilo de Aprendizagem, a Inteligência Emocional, as Inteligências Múltiplas e a Personalidade.

Para ter suporte científico, todos os estudos realizados ainda na década de 80, no Instituto de Formação Bancária e Instituto Superior de Gestão Bancária, bem como os realizados no Projeto DISLOGO da Universidade Católica Portuguesa, no âmbito do Ensino a Distância, foram integrados na Tese de Doutoramento do investigador António Augusto Fernandes, autor da Plataforma Netforma, bolseiro da Fundação para a Ciência e Tecnologia. Mais tarde, a mesma plataforma viria a ser utilizada em 53 Teses de Mestrado, em mais duas de Doutoramento e em uma de Pós-Doutoramento, ou seja, o indispensável ciclo de investigação na orla das Ciências da Educação estava iniciado.

É evidente que nem em 1998, quando foi criada conceptualmente, nem em 2000, quando foi concluída a sua programação, a ciência que estuda os algoritmos não estava suficientemente desenvolvida para dar à Plataforma NetForma aquilo que o seu autor já tinha concebido, como seria uma tutoria online capaz de substituir o tutor humano, através de um gigantesco e ágil sistema de FAQ (questões mais frequentes), que permitisse à máquina responder como se fosse uma pessoa. Ainda tentámos construir o algoritmo, mas não tivemos o engenho e a arte para o realizar de forma eficaz, portanto, mantivemos a tutoria operacional e a técnico pedagógica, mas realizada por seres humanos.

No entanto, desde a primeira hora, conseguimos criar e integrar na Plataforma NetForma o algoritmo estatístico-matemático que gere um complexo, mas muito eficiente Sistema de Avaliação. À luz dos conhecimentos científicos de hoje, esta será a primeira Plataforma de eLearning, bLearning e mLearning a beneficiar da Inteligência Artificial no núcleo central do seu funcionamento. Nunca diremos o 1º LMS (Learning Management System), porque sempre fugimos à lógica daquilo que se convencionou chamar: Sistema de Gestão da Aprendizagem, embora na gíria sejam verdadeiros Sistemas de Gestão de Conteúdos, que como sabemos, podem ser conceitos complementares, mas muito diferentes. Por essa razão, a NetForma sempre foi por nós considerada uma Escola Virtual, que possui todos os subsistemas de uma Escola: aulas teóricas, aulas práticas, secretaria, placar, biblioteca, salas de estudo (comunidades), bar, quiosque, etc.

Para que possamos fazer a ponte para os atuais conhecimentos do eLearning e da aprendizagem com base na Inteligência Artificial, de que este será o primeiro artigo, vamos apresentar um estudo realizado em 2013, que representa o saber acumulado ao longo de 13 anos, para que depois possamos escalpelizar todo o conhecimento do cérebro humano na lógica das Neurociências e Psicofisiologia, bem como das diferentes áreas da Psicologia, em especial, as que estudam os múltiplos tipos de inteligência cognitiva e emocional, em especial, os legados da Psicologia Diferencial, Psicometria e Psicologia do Desenvolvimento, tanto numa ótica cognitivista como comportamental. Esta viagem vai permitir-nos chegar à Inteligência Artificial, entre outras análises, fazendo a comparação funcional do cérebro humano e dos neurónios com o computador, passando pelas válvulas, transístores e circuitos integrados, sem esquecer a programação em linguagem máquina e noutras modalidades, comparando ainda o funcionamento neuronal, o núcleo e as sinapses com o CPU dos diferentes equipamentos inteligentes, ou o hipocampo e as memórias a curto e longo prazo com a ROM e RAM; em suma, estruturas onde os investigadores se devem apoiar para gerar a versão artificial.

Lisboa, 1 de agosto de 2019
António Augusto Fernandes, Ph. D.

Podemos ler o ensaio que escrevemos em 2013, para compreendermos com está o atual “estado da arte”.

Link para download

http://apetec.online/wp-content/uploads/2019/08/AprendizagemTecnologica.pdf