Convergência Ciência-IA: Programação em Blocos para o Ensino de Física

A integração da Inteligência Artificial (IA) na educação está aumentando rapidamente, impulsionada pela necessidade de equipar os alunos com habilidades para resolver problemas do mundo real usando abordagens interdisciplinares. Este artigo explora o desenvolvimento e a aplicação de uma aula de convergência Ciência-IA que utiliza programação em blocos para aprimorar a compreensão dos alunos sobre conceitos de física, especificamente o movimento de um pêndulo amortecido. Ao usar a plataforma KNIME, os alunos podem construir modelos de IA para prever a posição do pêndulo, promovendo uma compreensão mais profunda dos princípios de física e IA. Essa abordagem visa tornar a IA mais acessível para alunos do ensino médio, permitindo que eles se envolvam com conceitos científicos complexos de maneira inovadora e envolvente.

O currículo de ciências revisado de 2022 enfatiza a importância de atividades de investigação integradas à IA para cultivar a capacidade dos alunos de resolver problemas científicos na vida cotidiana e na sociedade com base no pensamento convergente. A integração da IA na educação científica permite a aplicação de práticas científicas modernas dentro do currículo. Pesquisas anteriores exploraram aulas de convergência baseadas em dados usando linguagens de programação como Python para criar modelos de redes neurais. No entanto, essas abordagens geralmente exigem um profundo conhecimento de programação, o que pode ser uma barreira para muitos alunos. Este artigo aborda esse desafio usando o KNIME, uma plataforma de programação em blocos que simplifica o processo de construção e análise de modelos de IA, tornando-o mais acessível para alunos com experiência limitada em programação.

O programa de convergência Ciência-IA foi desenvolvido em torno do conceito de pêndulo amortecido, um tópico fundamental em física. O programa envolve várias etapas-chave: (1) Seleção do pêndulo amortecido como tópico de investigação; (2) Análise de atividades de exploração do movimento do pêndulo em livros didáticos; (3) Construção de um conjunto de dados coletando dados de posição e velocidade do pêndulo usando o software Tracker; (4) Construção de um modelo de IA usando KNIME para prever a posição do pêndulo; (5) Avaliação dos resultados de previsão do modelo. Essa abordagem estruturada permite que os alunos compreendam os princípios físicos subjacentes enquanto se envolvem com a tecnologia de IA.

A aula de convergência Ciência-IA foi implementada com alunos do ensino médio, e suas experiências foram analisadas por meio de entrevistas aprofundadas. Os resultados destacaram vários temas-chave, incluindo a motivação dos alunos para participar, suas experiências e mudanças de compreensão, e os desafios e limitações que enfrentaram. Os alunos relataram maior engajamento e uma compreensão mais profunda dos conceitos de física e IA. No entanto, alguns alunos acharam a curva de aprendizado inicial do KNIME desafiadora, exigindo suporte e orientação adicionais. No geral, o programa foi bem-sucedido em promover uma experiência de aprendizado positiva e incentivar o pensamento interdisciplinar.

As descobertas deste estudo têm implicações significativas para o desenvolvimento e implementação de programas de convergência Ciência-IA. O uso de plataformas de programação em blocos como o KNIME pode reduzir a barreira de entrada para alunos com experiência limitada em programação, tornando a IA mais acessível e envolvente. A abordagem estruturada para coleta de dados, construção de modelos e avaliação fornece um quadro claro para os alunos seguirem. Além disso, a integração de dados do mundo real e atividades práticas aprimora a compreensão dos alunos sobre os princípios de física e IA. O estudo também destaca a importância de fornecer suporte e orientação adequados aos alunos à medida que eles navegam pelos desafios de aprender novas tecnologias.

Esta pesquisa demonstra o potencial dos programas de convergência Ciência-IA para aprimorar a compreensão dos alunos sobre conceitos de física e promover o pensamento interdisciplinar. Ao usar plataformas de programação em blocos como o KNIME, os alunos podem construir modelos de IA para prever o movimento de um pêndulo amortecido, promovendo uma compreensão mais profunda dos princípios de física e IA. Com base nas descobertas deste estudo, várias recomendações podem ser feitas para pesquisas e práticas futuras: (1) Continuar a desenvolver e refinar programas de convergência Ciência-IA que integrem dados do mundo real e atividades práticas; (2) Fornecer suporte e orientação adequados aos alunos à medida que eles navegam pelos desafios de aprender novas tecnologias; (3) Explorar o uso de outras plataformas de programação em blocos e ferramentas de IA para aprimorar a experiência de aprendizado; (4) Realizar mais pesquisas para avaliar o impacto a longo prazo dos programas de convergência Ciência-IA no desempenho acadêmico e nas aspirações de carreira dos alunos.

KNIME (Konstanz Information Miner) é um software de código aberto amplamente utilizado para integração, processamento e análise de dados, permitindo aprendizado de máquina sem conhecimento extensivo de programação. Sua interface gráfica do usuário (GUI) permite que os usuários conectem vários nós para construir modelos de análise de dados e IA. O KNIME oferece milhares de nós e fluxos de trabalho compartilhados, facilitando a colaboração e a comparação de modelos. Sua capacidade offline e compatibilidade com linguagens como Python e R fornecem flexibilidade e autonomia no aprendizado. O fluxo de trabalho visual do KNIME simplifica o processo de programação, tornando mais fácil abordar conceitos de aprendizado de máquina.

O Perceptron de Múltiplas Camadas (MLP) é um tipo de rede neural artificial usada neste estudo. Ele consiste em uma camada de entrada, uma camada de saída e múltiplas camadas ocultas. O modelo MLP aprende ajustando pesos e vieses por meio de um processo chamado retropropagação, minimizando o erro entre os valores previstos e reais. O número de neurônios nas camadas ocultas é tipicamente determinado usando uma fórmula específica para evitar overfitting. O desempenho do modelo é avaliado usando métricas como Erro Quadrático Médio (RMSE). Modelos MLP podem ser usados para várias tarefas, incluindo prever o movimento de objetos e desenvolver modelos preditivos na medicina clínica.

Para coletar dados do pêndulo amortecido, um pêndulo de mola foi construído e sua trajetória foi quantificada usando o software Tracker. O pêndulo foi submerso em um cilindro graduado cheio de água para induzir o amortecimento. Os dados de posição e velocidade foram coletados ao longo do tempo, resultando em um conjunto de dados de 581 pontos. Esses dados foram então usados para treinar e testar o modelo de IA. O processo de coleta e análise dos dados ajuda os alunos a entender a relação entre tempo, posição e velocidade no movimento harmônico amortecido.

O modelo MLP foi construído usando o fluxo de trabalho do KNIME, com nós representando a camada de entrada, camadas ocultas e camada de saída. Os dados foram pré-processados usando normalização para garantir que os valores de posição e velocidade estivessem na mesma escala. O conjunto de dados foi dividido em conjuntos de treinamento e teste. O nó RProp MLP Learner foi usado para treinar o modelo, e o nó MultiLayer Perceptron Predictor foi usado para gerar previsões. O desempenho do modelo foi avaliado usando R-quadrado e RMSE. Os resultados mostraram que o modelo MLP foi capaz de prever com precisão a posição do pêndulo amortecido, com um valor de R-quadrado de 0,992 e um RMSE de 0,01.