Learning AI Without a STEM Background: Mixed-Methods Evidence from a Diverse, Mixed-Cohort AIED Program

Resumo Técnico: Aprendizado de IA sem Formação em STEM

Declaração do Problema
Apesar da integração crescente da inteligência artificial (IA) na governança, na força de trabalho e na vida cívica, o acesso à educação em IA permanece desigual. Iniciativas atuais visam predominantemente estudantes preparados em STEM, dependem fortemente de proficiência em programação ou focam em aprendizes no início da carreira. Essa exclusão impede sistematicamente que graduados não-STEM e profissionais adultos se envolvam com IA em contextos de políticas públicas, interesse público e força de trabalho. Consequentemente, os modelos existentes frequentemente priorizam a implementação técnica sobre o julgamento ético, reforçando disparidades na participação tecnológica e limitando a capacidade de diversas partes interessadas de avaliar criticamente sistemas automatizados ou de se adaptar a mercados de trabalho orientados por dados.

Metodologia
Este estudo emprega um desenho de avaliação de métodos mistos para analisar o programa "Data Crossings", uma iniciativa de educação em IA de um ano financiada pela National Science Foundation (NSF). O programa utiliza um modelo de coorte mista, integrando intencionalmente graduados não-STEM (das humanidades, ciências sociais, artes e negócios) com aprendizes adultos (profissionais ativos e indivíduos em transição de carreira).

• Participantes: A primeira coorte consistiu em 19 participantes selecionados (12 graduados, 7 adultos) retirados de mais de 200 candidatos (taxa de aceitação de 9,45%). A seleção priorizou a motivação para o engajamento não-técnico em IA e a prontidão para o aprendizado em coorte mista sobre a proficiência técnica; candidatos com formação formal em computação STEM foram excluídos.
• Fontes de Dados: A coleta de dados inclui pesquisas com participantes (administradas na entrada e ao longo do programa), reflexões abertas, relatórios de instrutores e bolsistas de ensino, e narrativas de candidatura.
• Abordagem Analítica:
  • Quantitativa: Análise descritiva de itens de escala Likert medindo confiança autoavaliada, relevância percebida e agência acadêmica. Uma matriz de transição foi utilizada para calcular mudanças no valor esperado nos níveis de conforto em relação à tecnologia de IA.
  • Qualitativa: Uma abordagem híbrida computacional-qualitativa de Processamento de Linguagem Natural (PLN) foi aplicada às narrativas de candidatura. Isso envolveu modelagem de tópicos não supervisionada (por exemplo, BERTopic) combinada com codificação com intervenção humana para identificar temas latentes relacionados a motivações e orientações éticas.
  • Integração: Uma estratégia convergente de métodos mistos foi utilizada para triangular as autorrelatos dos aprendizes com as perspectivas dos educadores.

Principais Contribuições

1. Design de Coorte Mista: O artigo introduz um modelo de AIED que integra aprendizes de diversas disciplinas, idades e estágios de carreira, desafiando a norma de salas de aula de IA homogêneas e segregadas por idade.
2. Evidência Longitudinal: Fornece evidências de métodos mistos de um programa sustentado de um ano, em vez de uma intervenção de curto prazo, oferecendo uma visão mais robusta das trajetórias de aprendizado.
3. Reenquadramento dos Resultados de Aprendizado: O estudo postula que o julgamento ético e a agência acadêmica devem ser tratados como resultados centrais de aprendizado ao lado da alfabetização em IA, em vez de considerar o domínio técnico como o único pré-requisito para o engajamento.

Resultados

• Motivações: A análise das narrativas de candidatura (n=201) revelou que a motivação dominante para a participação foi o uso ético e responsável da IA (68%), seguida pela aplicação da IA para o bem social (65%). Os candidatos consistentemente enquadraram a IA como uma ferramenta para interpretação e tomada de decisão, em vez de construção de modelos, citando frequentemente pré-requisitos tradicionais de programação como barreiras estruturais.
• Ganhos de Confiança: A análise quantitativa dos dados da pesquisa indicou ganhos significativos na confiança autoavaliada. Participantes que ingressaram com níveis de conforto baixos a moderados apresentaram o maior movimento ascendente. A mudança geral no valor esperado no conforto foi positiva (+0,90), sem nenhum participante transitando para desconforto extremo.
• Raciocínio Ético: Os dados qualitativos revelaram um ênfase consistente em responsabilidade, julgamento e raciocínio contextual. Os participantes demonstraram a capacidade de articular compensações éticas e questionar pressupostos mesmo na ausência de certeza técnica.
• Dinâmicas Pedagógicas: Instrutores e mentores próximos relataram alto engajamento, particularmente em atividades de aprendizado dialógico e baseadas em cenários. A estrutura de coorte mista funcionou como um ativo epistêmico, onde aprendizes adultos forneceram expertise de domínio e julgamento profissional, enquanto graduados contribuíram com práticas reflexivas, normalizando a incerteza e ampliando perspectivas.

Significado e Alegações
O artigo argumenta que suportes instrucionais centrados no ser humano — especificamente andaimagem ética, mentoria e discussão estruturada — são essenciais para uma educação em IA equitativa em populações heterogêneas. Ele afirma que:

• O julgamento ético é aprendível e observável mesmo sem domínio técnico, desafiando modelos que adiam a ética até que a competência técnica seja alcançada.
• Aprendizes adultos atuam como contribuintes epistêmicos em vez de participantes remediais, elevando a profundidade intelectual e ética do ambiente de aprendizado.
• A facilitação é um mecanismo central de equidade, criando espaço para questionamento e raciocínio sem penalizar a incerteza técnica, ao contrário de modelos de ritmo próprio ou focados primeiro em programação.

Os autores concluem que a expansão da educação em IA exige repensar as suposições de design para incluir modelos de coorte mista e centrados na ética que preparem aprendizes diversos — não apenas desenvolvedores, mas futuros tomadores de decisão — a se engajarem responsavelmente com a IA. O estudo reconhece limitações relacionadas ao tamanho da amostra e à auto-seleção, observando que resultados pós-programa abrangentes estão pendentes de análise longitudinal.