Integrating Machine Learning into K–12 Classrooms: Enhancing Critical Thinking Through Interactive AI Tasks

Resumo Técnico: Integrando o Aprendizado de Máquina em Salas de Aula do Ensino Fundamental e Médio (K–12)

Definição do Problema
Embora a integração da Inteligência Artificial (IA) e do Aprendizado de Máquina (ML) na educação esteja acelerando, a pesquisa empírica sobre seu impacto no desenvolvimento do Pensamento Crítico (CT) em ambientes K–12 permanece limitada. A literatura existente frequentemente trata o ML como uma ferramenta para análise preditiva (ex: perfil de estudante) em vez de um meio pedagógico para o desenvolvimento cognitivo. Além disso, estudos frequentemente confundem Pensamento Computacional (CT) com Pensamento Crítico (CT), ou focam exclusivamente na aquisição de habilidades técnicas sem examinar como as tarefas de ML ativam processos específicos de CT, como inferência, avaliação e raciocínio baseado em evidências. Há uma lacuna notável na compreensão de como alunos do ensino fundamental II se envolvem com indicadores de CT durante fases específicas do fluxo de trabalho de ML (treinamento, teste e aplicação) e como esses engajamentos variam entre diferentes perfis de aprendizes.

Metodologia
Este estudo empregou um design de estudo de caso explicativo envolvendo 15 alunos voluntários do quinto e sexto anos (7 meninas, 8 meninos) de uma escola pública na Turquia. Os participantes, que possuíam proficiência prévia em programação baseada em blocos, participaram de uma intervenção de oito semanas composta por cinco atividades estruturadas de ML utilizando a plataforma Machine Learning for Kids. As atividades incluíram três tarefas baseadas em texto (Sala de Aula Inteligente, Robô de Quiz, Faça-me Feliz), uma tarefa baseada em imagem (Carro ou Copo?) e uma tarefa baseada em números (Aprendiz de Pac-Man).

A coleta de dados foi multimodal:

1. Gravações de Tela: Capturaram as interações dos alunos, sequências de fluxo de trabalho e o raciocínio verbal durante o processo de ML.
2. Folhas de Atividades Elaboradas pelo Pesquisador: Documentaram os resultados dos alunos e os processos de tomada de decisão.
3. Entrevistas Semiestruturadas: Realizadas pós-atividade para investigar as reflexões dos alunos, estratégias cognitivas e desafios percebidos.
4. Entrevistas Clínicas: Utilizaram prompts específicos para avaliar a identificação de objetivos, formulação de perguntas e desenho de inferências.

Análise de Dados

• Quantitativa: Uma Rubrica de Desempenho de ML e CT desenvolvida pelo pesquisador foi utilizada para pontuar o desempenho dos alunos em três fases de ML (Treinamento, Aprendizado e Teste, Aplicação) e oito dimensões de CT (Identificação de Objetivos, Formulação de Perguntas, Seleção de Informações, Identificação de Conceitos, Raciocínio Lógico, Julgamento Orientado à Aplicação, Inferência, Conclusão). As pontuações foram categorizadas em três níveis: Insuficiente (0), Precisa de Melhoria (1) e Proficiente (2).
• Análise de Agrupamento (Cluster Analysis): O agrupamento K-means (usando RStudio) foi aplicado às pontuações da rubrica para identificar perfis distintos de desempenho dos alunos.
• Qualitativa: Uma análise de conteúdo dirigida foi realizada nas transcrições das entrevistas e nos dados de gravação de tela, mapeando as respostas dos alunos a fases específicas de ML e componentes de CT. A confiabilidade interexaminadores foi estabelecida usando o kappa de Cohen ponderado quadrático em 30% dos dados.

Principais Resultados
O estudo descobriu que intervenções instrucionais baseadas em ML podem apoiar o desempenho observável de CT e comportamentos relacionados, particularmente no raciocínio orientado a objetivos, avaliação baseada em aplicação e inferência.

• Perfis de Desempenho: A análise de agrupamento revelou três grupos distintos: baixo, médio e alto engajamento de CT.
  • Alunos de alto desempenho identificaram consistentemente conceitos relevantes durante as fases de treinamento e teste e engajaram-se em monitoramento analítico ao longo do ciclo da tarefa.
  • Alunos de pontuação inferior tiveram dificuldades em selecionar conceitos relevantes e completar o ciclo completo de ML, indicando a necessidade de um suporte (scaffolding) mais forte durante as fases de aprendizagem.
• Sensibilidade de Fase: O estudo destacou que as tarefas orientadas à aplicação estimularam o pensamento de ordem superior em contextos autênticos de forma mais eficaz do que as fases iniciais.
• Indicadores de CT: Os alunos demonstraram a capacidade de articular o raciocínio, avaliar os resultados do modelo e revisar abordagens, alinhando-se aos componentes do consenso Delphi da APA para CT (interpretação, análise, avaliação, inferência, explicação e autorregulação).

Principais Contribuições

1. Estrutura Pedagógica: O estudo fornece evidências de que as atividades de ML podem servir como uma prática desenhada para tornar o CT visível, indo além do "conteúdo" para uma estrutura pedagógica onde os critérios de decisão são explicados e as evidências são pesadas.
2. Inovação Metodológica: Introduz uma abordagem de múltiplos métodos combinando gravações de tela, avaliação de desempenho baseada em rubrica e análise de agrupamento para mapear as dimensões de CT a fases específicas de ML, abordando a falta de estudos que diferenciem perfis de aprendizes em ambientes integrados com ML.
3. Design Curricular: Os achados sugerem que o sequenciamento de tarefas de ML é crítico, sendo que tarefas orientadas à aplicação podem potencialmente impulsionar o pensamento de ordem superior. Também identifica a necessidade de suporte para alunos que têm dificuldade com a seleção de conceitos e conclusão do ciclo.

Significância e Alegações
Os autores afirmam que este estudo preenche a lacuna entre a educação em ML e o desenvolvimento de CT ao demonstrar que alunos do ensino fundamental podem se envolver significativamente em tarefas de ML que ativam habilidades cognitivas de ordem superior. O artigo postula que o ML não é meramente uma competência técnica, mas um framework poderoso para promover habilidades de CT em contextos K–12. Ao alinhar os loops de feedback baseados em dados no aprendizado por investigação com os componentes de CT, o estudo justifica princípios de design como transparência, avaliação baseada em critérios e o uso pedagógico da análise de erro. Os autores concluem que as mudanças observadas nas cinco atividades destacam o valor do sequenciamento estruturado de tarefas de ML para fomentar o raciocínio baseado em evidências e a justificativa em contextos de aprendizagem autênticos.