Estratégias para o ensino de machine learning para estudantes em vulnerabilidade social no ensino fundamental e médio

Abstract

O Machine Learning (ML) está cada vez mais integrado em nosso dia a dia, e é essencial ensinar ML aos jovens desde cedo, incluindo também jovens em situação de vulnerabilidade social. Apesar de existirem iniciativas para o ensino de ML, lacunas significativas persistem, especialmente na escassez de estratégias para o ensino de ML em contextos de vulnerabilidade social. Esta pesquisa busca preencher essa lacuna, propondo estratégias para o ensino de ML para estudantes dos anos finais do Ensino Fundamental e Médio em situação de vulnerabilidade social, visando responder à pergunta: como ensinar ML para esse contexto de forma eficaz, motivadora e que promova uma boa experiência de aprendizagem?. Utilizando uma abordagem multi-método que inclui mapeamento sistemático da literatura, análise de contexto educacional e o aprimoramento e aplicação do curso \"Machine Learning para todos\", a pesquisa avança o conhecimento sobre estratégias para o ensino de ML à estudantes em vulnerabilidade social. O curso, baseado em diretrizes curriculares e no processo de desenvolvimento de modelo de ML centrado no ser humano, aborda conceitos básicos de ML, com ênfase na classificação de imagens, adotando abordagens pedagógicas ativas e centradas no estudante, além de suportes tecnológicos acessíveis. O curso foi aplicado em uma série de estudos de caso e quase-experimentos para diferentes contextos socioeconômicos, incluindo os estudantes em vulnerabilidade social. Os resultados, indicam que as estratégias para o ensino de ML permitiram que os estudantes em situação de vulnerabilidade social alcançassem os objetivos de aprendizagem, inclusive de aplicar conceitos básicos de ML e desenvolver seu primeiro modelo de ML. Além disso, as estratégias para o ensino de ML proporcionaram uma experiência de aprendizado positiva. Apesar de algumas diferenças pontuais com outros contextos e dos desafios enfrentados por esses estudantes, não se observaram prejuízos em termos de aprendizagem ou experiência quanto à origem socioeconômica, sexo atribuído ao nascimento ou etapa educacional. Esses achados indicam que essas estratégias são eficazes para ensinar ML de forma motivadora, promovendo igualdade, equidade e inclusão no acesso ao conhecimento para todos os estudantes, independente de sua origem socioeconômica. Desta forma esta pesquisa contribui com a proposição de um modelo instrucional suprido com as estratégias para o ensino que consideram as especificidades do contexto de vulnerabilidade social, destacando a importância e a viabilidade de democratizar o ensino de ML.

Abstract: Machine Learning (ML) is increasingly integrated into our daily lives, and it is essential to teach ML to young people from an early age, including those in socially vulnerable situations. Despite existing initiatives for teaching ML, significant gaps remain, particularly in the lack of strategies for teaching ML in contexts of social vulnerability. This research seeks to fill this gap by proposing strategies for teaching ML to students in the final years of middle and high school who are in socially vulnerable situations, aiming to answer the question: How to effectively and motivatingly teach ML in this context, promoting a good learning experience?. Using a multi-method approach that includes systematic literature mapping, analysis of the educational context, and enhancement and application of the 'Machine Learning for All' course, the research advances knowledge about strategies for teaching ML to students in social vulnerability. The course, grounded in curricular guidelines and a human-centered ML model development process, covers basic ML concepts, with a focus on image classification, and adopts active, student-centered pedagogical approaches, along with accessible technological supports. The course was implemented in a series of case studies and quasi-experiments studies across different socioeconomic contexts, including those involving socially vulnerable students. The results, analyzed comprehensively, indicate that the strategies for teaching ML enabled students in socially vulnerable situations to achieve learning objectives, including applying basic ML concepts and developing their first ML models. Furthermore, the strategies for teaching ML provided a motivating and positive learning experience. Despite some distinct differences from other contexts and the challenges faced by these students, there were no learning or experiential disadvantages related to socioeconomic background, sex assigned at birth, or educational stage. These findings suggest that the strategies are effective for teaching ML in an engaging manner, promoting equality, equity, and inclusion in access to knowledge for all students, regardless of their socioeconomic background. Thus, this research contributes by proposing an instructional model supplied with teaching strategies that consider the specificities of the socially vulnerable context, highlighting the importance and feasibility of democratizing ML education.