Com a educação (não) se brinca!

Como tornar mais próximos e compreensíveis os conceitos de Inteligência Artificial quando o programa é extenso, exige pensamento abstrato e mobiliza conhecimentos de matemática?

Na unidade curricular de Inteligência Artificial, o desafio era envolver os estudantes de forma continuada e ajudá-los a passar da compreensão teórica à aplicação. A prática procurou criar motivos para experimentar, persistir e aprender com os resultados, dando aos estudantes maior autonomia.

Os jogos ofereciam um contexto familiar a muitos deles. Para que essa familiaridade se traduzisse em aprendizagem, era necessário preparar tarefas exigentes e apoios adequados: aprender a instalar ou integrar um emulador não deveria consumir o tempo destinado a compreender e aplicar os algoritmos.

Ao desenvolver um agente capaz de jogar autonomamente, os estudantes trabalham para:

• Aplicar técnicas de Inteligência Artificial e algoritmos a problemas concretos.
• Desenvolver software, testar soluções e melhorá-las a partir dos resultados obtidos.
• Explorar a capacidade de generalização de um agente e adaptar a solução a desafios diferentes.
• Planear e gerir um projeto em equipa ao longo do semestre.
• Reforçar a autonomia, a criatividade, o trabalho em grupo e a resolução de problemas.

A prática articula aprendizagem através de projetos com ludificação. Os estudantes aprendem ao construir e aperfeiçoar uma solução; os elementos de jogo ajudam a manter o interesse e a tornar o progresso visível.

O modelo pedagógico adapta o trabalho de Ron Oliver, de 1999, ao ensino de Informática e a contextos de aprendizagem híbrida. Organiza-se em três elementos complementares:

• Tarefas de aprendizagem: desafios de programação que levam os estudantes a procurar e aplicar conhecimentos.
• Apoios à aprendizagem: emuladores, ambientes de simulação, interfaces de programação, exemplos de código e soluções de partida.
• Recursos de aprendizagem: documentação, livros, textos científicos e materiais das aulas que ligam os conceitos à sua aplicação.

Uma competição construtiva entre equipas liga estes elementos ao longo do semestre. O objetivo é estimular a vontade de aprender e de melhorar, preservando a exigência académica e evitando que as ferramentas acrescentem obstáculos desnecessários.

1. Preparar um jogo e os apoios necessários. O docente escolhe um ambiente, como Super Mario Bros ou Robocode, e prepara os desafios de acordo com as aprendizagens pretendidas. Disponibiliza interfaces de programação (APIs), projetos base, exemplos e, quando necessário, máquinas virtuais com o emulador e as ferramentas já configurados.

2. Criar equipas e desenvolver um agente. Cada equipa escolhe o seu nome e constrói um agente de software que joga de forma autónoma, recorrendo a uma ou mais técnicas de Inteligência Artificial. O projeto dá um contexto comum aos conteúdos trabalhados nas aulas.

3. Propor desafios que se complementam. Em Super Mario Bros, por exemplo, os agentes podem procurar chegar o mais longe possível a partir do mundo 1-1, maximizar pontos ou moedas, ou terminar um mundo no menor tempo. Cada desafio permite explorar técnicas diferentes e melhorar o trabalho anterior.

4. Dar feedback ao longo do semestre. Um mecanismo automático testa as soluções e alimenta uma classificação online das equipas. A prática utilizou o Kaggle e, noutras edições, um serviço próprio disponibilizado pelo docente. Os resultados ajudam cada grupo a perceber o desempenho do seu agente e a decidir o que experimentar a seguir.

5. Manter a ligação entre experiência e conhecimento. A documentação e os materiais das aulas apoiam a interpretação dos resultados e a aplicação dos algoritmos. A competição decorre de forma positiva e construtiva, incentivando um esforço continuado e o trabalho autónomo.

A avaliação da aprendizagem mantém dois elementos: um trabalho prático em grupo e um exame teórico individual. A ludificação integra o desenvolvimento e a avaliação do projeto, sem substituir a componente individual.

Durante o semestre, os testes automáticos e a classificação das equipas fornecem feedback sobre a qualidade das soluções. Os estudantes podem observar o efeito das alterações que fazem e usar essa informação para aperfeiçoar os seus agentes, com menor dependência de uma resposta imediata do docente.

A classificação no jogo é, assim, parte do acompanhamento do projeto. A avaliação da unidade curricular continua a combinar a aplicação prática em equipa com a compreensão teórica de cada estudante.

O docente observou maior motivação e participação dos estudantes após a introdução da abordagem. Relatou também que esse envolvimento lhe permitiu aprofundar os conteúdos e aumentar a complexidade dos problemas abordados.

A prática foi acompanhada, em cada edição da unidade curricular, através da Academic Motivation Scale, que distingue motivação intrínseca, motivação extrínseca e desmotivação. A análise dos dados recolhidos ao longo dos anos apontou a motivação intrínseca como a componente mais associada ao envolvimento dos estudantes. O feedback informal e os inquéritos pedagógicos, nas edições com respostas suficientes, indicaram uma apreciação muito positiva da experiência.

O trabalho deu origem a três artigos em conferências de educação, à organização de duas edições do workshop GaLePro, em 2021 e 2022, e ao número temático Gamification of the Learning Process da revista IxD&A, em 2022. A experiência contribuiu ainda para a participação da ESTG no projeto europeu FACILITATE-AI, dedicado ao ensino de Inteligência Artificial, em particular a adolescentes.

Uma aprendizagem central é a importância de preparar o contexto de jogo. O potencial pedagógico depende de tarefas alinhadas com o programa, apoios que libertem tempo para aprender e feedback que ajude os estudantes a orientar o seu próprio trabalho.

A abordagem pode começar com um único projeto e um pequeno conjunto de desafios, antes de ser alargada a um semestre inteiro.

• Partir dos objetivos de aprendizagem. Escolher o jogo ou a simulação pelas oportunidades de aplicação dos conteúdos e definir o que cada desafio permite aprender.
• Reduzir as barreiras técnicas. Preparar código de partida, instruções claras e um ambiente de execução acessível, para que a configuração das ferramentas não se torne o centro do trabalho.
• Criar progressão. Propor desafios que permitam reutilizar, testar e melhorar a solução anterior, em vez de começar sempre do zero.
• Tornar o feedback útil. Mostrar resultados que ajudem a compreender a solução e a decidir os próximos passos, para além da posição na classificação.
• Cuidar da competição. Valorizar a melhoria e a colaboração dentro de cada equipa, mantendo um ambiente em que os estudantes se sintam capazes de participar.
• Preservar a avaliação individual e ouvir os estudantes. Articular o projeto com uma forma adequada de verificar a compreensão de cada pessoa e recolher feedback para ajustar a experiência.

O essencial é manter a ligação entre desafio, apoio e aprendizagem, sem fazer depender a participação da experiência prévia dos estudantes com jogos ou ferramentas específicas.

A implementação utiliza jogos ou simuladores, APIs de interação, projetos base, exemplos de código e, quando necessário, máquinas virtuais preparadas pelo docente. A documentação de apoio explica como usar esses recursos e relaciona-os com os conceitos de Inteligência Artificial estudados nas aulas.

Para aprofundar o enquadramento pedagógico, estão disponíveis o artigo que apresenta o modelo, o número temático da revista IxD&A sobre ludificação e o projeto FACILITATE-AI, que disponibiliza materiais sobre o ensino de Inteligência Artificial.