Inlags Academy – Compartilhando nossa Cultura – Alfredo Martinho

O Adaptive Learning, citado no artigo abaixo, republicado e grifado da Science de janeiro de 2021 é o “estado da arte” que nós da Inlags Academy queremos oferecer aos nossos aprendizes – estamos aos poucos viabilizando essa “trilha de aprendizado” que aos poucos se tornará o modelo pedagógico customizado de nossos produtos educacionais.

Para falar um pouco sobre aprendizado adaptativo, antes do artigo da Science, e contextualizando nossos leitores com o propósito massivamente transformador da Inlags Academy de modo a que todos possam acompanhar nossa jornada rumo a excelência educacional transformadora.

Nosso propósito massivamente transformador (MTP) foi inspirado em:

  1. ODS 4 da ONU na área de Educação:  “Assegurar a educação inclusiva e equitativa e de qualidade, e promover oportunidades de aprendizagem ao longo da vida para todos”;
  2. ODS 3 da ONU na área de Saúde e bem-estar:  “Assegurar uma vida saudável e promover o bem-estar para todos, em todas as idades”;
  3. ODS 8 da ONU na área do Trabalho: “Promover o crescimento econômico sustentado, inclusivo e sustentável, emprego pleno e produtivo, e trabalho decente para todos”;
  4. E, finalmente, considerando as premissas da UNESCO com o UIL (UNESCO INSTITUTE FOR LIFELONG LEARNING).

Promover e apoiar o Aprendizado ao longo de toda a vida com o foco no aprendizado dos adultos, na educação continuada, na alfabetização e na educação não formal“.

O MTP e seus desdobramentos, modernamente, pode substituir e consolidar em um único conceito a Missão, o Propósito, as causas, valores e princípios.

Em essência, nosso MTP:

Permitir o crescimento e aperfeiçoamento profissional de parcela expressiva da população brasileira, implementando o conceito de lifelong learning para pessoas já atuantes ou interessadas em ingressar em atividades de formação na área de saúde e bem-estar, contribuindo assim para assegurar uma vida saudável e promover o bem-estar daqueles que serão impactados por nossos alunos e formandos.

Conceitos básicos:

LifeLong Learning (LLL)

Aprendizagem ao longo de toda a vida. Aprender sempre em qualquer idade.

PAH

Transito entre Pedagogia, Andragogia e Heutagogia.

Pedagogia é focada no ensinar, funciona mais com crianças, atuação ativa dos professores;

Andragogia é focada no aprendizado do adulto, que tem motivações e interesses próprios. O professor tem um papel de apoiar o aprendizado;

Heutagogia é focada no adulto e no auto-aprendizado. Esforço próprio. Ritmo próprio. Autonomia na busca do conhecimento. Professor seleciona e organiza informações. De preferência o aluno escolhe o caminho.

Mastery Learning

Metodologia focada na “maestria” do aluno. Garantir o aprendizado. Conteúdo dividido em micro lições (alguns minutos a 4h no máximo) que só podem ser eliminadas se o “aprendente” comprovar (teste) que absorveu o conteúdo em mais de 90%. Se não, volta para estudar mais. Se chegar ao final é porque aprendeu. Isso garante que o aluno aprenda no seu ritmo. Um aluno pode gastar 8h e outro 2h para concluir, mas a absorção será igual.

Adaptive Learning

Além do ritmo próprio, o aluno avança conforme seu nível de conhecimento anterior sobre o assunto. Teste inicial mostra quantos e quais módulos o aluno já domina. Então ele segue apenas pelos módulos não dominados ainda.

O nosso modelo sempre vai tender, cada vez mais, a ser Heutagógico, Adaptativo e focado no garantir o aprendizado (Maestria).

Quem precisa de professor? A inteligência artificial projeta planos de aula para si mesma

Por Matthew Hutson19 de janeiro de 2021, 15:15

Ao contrário dos alunos humanos, os computadores não parecem ficar entediados ou frustrados quando uma aula é muito fácil ou muito difícil, mas, assim como os humanos, eles se saem melhor quando um plano de aula é “adequado” para seu nível de habilidade

No entanto, criar o currículo correto não é fácil, então os cientistas da computação se perguntaram: e se eles pudessem fazer as máquinas projetarem seus próprios?

Isso é o que os pesquisadores fizeram em vários novos estudos, criando inteligência artificial (IA) que pode descobrir a melhor forma de ensinar a si mesmaO trabalho pode acelerar o aprendizado em carros autônomos e robôs domésticos, e pode até mesmo ajudar a resolver problemas matemáticos anteriormente insolúveis.

Em um dos novos experimentos, um programa de IA tenta chegar rapidamente a um destino navegando em uma grade 2D preenchida com blocos sólidos. O “agente” aprimora suas habilidades por meio de um processo chamado aprendizado por reforço, uma espécie de tentativa e erro.

Para ajudá-lo a navegar em mundos cada vez mais complexos, os pesquisadores – liderados pela Universidade da Califórnia (UC), Berkeley, o estudante de graduação Michael Dennis e Natasha Jaques, uma cientista pesquisadora do Google – consideraram duas maneiras de desenhar os mapas. Um método de blocos distribuídos aleatoriamente; com isso, a IA não aprendeu muito. Outro método lembrava com o que a IA havia lutado no passado e maximizava a dificuldade de acordo. Mas isso tornava os mundos muito difíceis – e às vezes até impossíveis – de completar.

Então, os cientistas criaram um cenário perfeito, usando uma nova abordagem que eles chamam de PAIRED. Primeiro, eles acoplaram seu AI com um quase idêntico, embora com um conjunto ligeiramente diferente de forças, que chamaram de antagonista. Então, eles tiveram um terceiro mundo de design de IA que era fácil para o antagonista – mas difícil para o protagonista original. Isso mantinha as tarefas no limite da capacidade de resolução do protagonista. O designer, como os dois agentes, usa uma rede neural – um programa inspirado na arquitetura do cérebro – para aprender sua tarefa ao longo de muitas tentativas.

Após o treinamento, o protagonista tentou uma série de labirintos difíceis. Se treinou usando os dois métodos mais antigos, não resolveu nenhum dos novos labirintos. Mas após o treinamento com o PAIRED, ele resolveu um em cada cinco, relatou a equipe no mês passado na Conferência sobre Sistemas de Processamento de Informação Neural (NeurIPS). “Ficamos entusiasmados com a forma como a PAIRED começou a trabalhar desde o início, ” diz Dennis.

Em outro estudo, apresentado em um workshop do NeurIPS, Jaques e colegas do Google usaram uma versão do PAIRED para ensinar um agente de IA a preencher formulários da web e reservar um voo. Enquanto um método de ensino mais simples o levava à falha quase todas as vezes, uma IA treinada com o método PAIRED teve sucesso em cerca de 50% das vezes.

A abordagem PAIRED é uma maneira inteligente de fazer com que a IA aprenda, diz Bart Selman, um cientista da computação na Universidade Cornell e presidente da Associação para o Avanço da Inteligência Artificial.

Selman e seus colegas apresentaram outra abordagem para os chamados “autocurricula” na reunião. A tarefa deles era um jogo chamado Sokoban, no qual um agente de IA deve empurrar blocos para os locais de destino. Mas os bloqueios podem ficar presos em becos sem saída, então o sucesso geralmente requer um planejamento com centenas de passos à frente. (Imagine reorganizar móveis grandes em um pequeno apartamento.)

Seu sistema cria uma coleção de quebra-cabeças mais simples para treinar, com menos blocos e alvos. Em seguida, com base no desempenho recente de sua IA, ele seleciona quebra-cabeças que o agente resolve apenas ocasionalmente, aumentando efetivamente o plano de aula para o nível certo. Às vezes, os quebra-cabeças certos são difíceis de prever, diz Selman. “A noção do que é uma tarefa mais simples nem sempre é óbvia. ”

Os pesquisadores testaram seu agente treinado em 225 problemas que nenhum computador já havia resolvido. Ele rachada 80% deles, com cerca de um terço de seu sucesso vem estritamente a partir do método de treinamento romance. “Foi divertido de ver”, diz Selman. Ele diz que agora recebe mensagens espantadas de pesquisadores de IA que vêm trabalhando nos problemas há décadas. Ele espera aplicar o método próximo às provas matemáticas não resolvidas.

Pieter Abbeel, um cientista da computação da UC Berkeley, também mostrou na reunião que a autocurricula pode ajudar os robôs a aprender a manipular objetosEle diz que a abordagem poderia ser usada até mesmo para estudantes humanos. “Como instrutor, eu penso, ‘Ei, nem todo aluno precisa do mesmo exercício de lição de casa’”, diz Abbeel, observando que a IA poderia ajudar a adaptar um material mais difícil ou mais fácil às necessidades do aluno. Quanto à autocurricula de IA, ele diz: “Acho que vai estar no centro de praticamente todo o aprendizado por reforço”.

Postado em: 

Doi: 10.1126 / science.abg6524

Combo : Inovações e Impactos de Tecnologia em Saúde

 

 

Compartilhe em suas Redes Sociais