A priori, temos como foco, à luz das teorias que abordam a temática deste projeto, definir a inteligência artificial (IA), a fim de compreendermos essa inovação, que colocamos como centro do nosso objeto de estudo. Embora nos últimos anos, os estudos sobre a IA e suas aplicações tenham crescido substancialmente, o surgimento dessa tecnologia não é assim tão recente.

Com esse intuito, trazemos, a partir de pesquisa desenvolvida por Shimasaki (2021, p. 27), a informação de o termo Inteligência Artificial foi “cunhado inicialmente por John MacCarthy em 1956 e apresentado à comunidade acadêmica durante uma conferência no Dartmouth College, New Hampshire”. A partir desse acontecimento, o professor recebeu a autoria da expressão - utilizada no convite para o evento, que já suscitava polêmica sobre a capacidade de máquinas de exercerem tarefas humanas. Com isso, profissionais da área tecnológica discutiam a possibilidade de que computadores pudessem ser programados para desempenhar tarefas ligadas à cognição, incluindo abstração e uso de linguagem.

As primeiras tentativas de definir a Inteligência Artificial surgiram em uma das principais publicações em livro da área, no início da década de 1990, escrito por Elaine Rich e Kevin Knight, intitulado Artificial Intelligence, com ênfase em lógica e suas aplicações, por exemplo, em planejamento de tarefas. A segunda edição deste livro, publicada em 1991, inicia com indagação voltada à mesma finalidade, contudo, naquele tempo, não havia consenso sobre a resposta a essa questão.

Avançamos um pouco na linha do tempo e trazemos a definição proposta por Ribeiro (2010, p. 8), que apresenta a IA como “uma ciência multidisciplinar que busca desenvolver e aplicar técnicas computacionais que simulem o comportamento humano em atividades específicas”. Cozman, Plonski e Neri (2021) expõem um contraponto a esse pensamento, defendendo a necessidade de considerar diferenças importantes entre o comportamento humano, naturalmente inteligente mas não tão racional quanto a máquina, cujo raciocínio obedece a princípios programados.

Após darmos um passo mais à frente, chegamos à definição apontada por Silva e Gonsales (2018), segundo a qual a IA “é o termo usado para programas de computador que são moldados e programados por humanos para ter um pouco de inteligência, ou seja, para poderem ajudar humanos a tomar melhores decisões e fazer escolha”. Diante disso, evidencia-se que a inteligência da máquina está vinculada ao trabalho do homem, a quem cabe o armazenamento de dados, para que a inteligência os ative, faça simulações e os cruze de forma constante, a partir de comandos realizados também pela ação humana.

Retomamos, então, à evolução histórica da IA, ao que Cozman (2021) destaca que o primeiro artigo cujo objeto de estudo foi uma IA baseada em lógica teve autoria McCarthy em 1958, apresentando as vantagens de representações declarativas expressas em um sistema lógico, que constituía um programa chamado advice taker, responsável por receber sentenças em lógica de primeira-ordem e realizar deduções lógicas. Essa proposta evidenciava “a necessidade, para um artefato inteligente, de representar com eficiência o conhecimento adquirido previamente” (Cozman, 2021, p. 9).

Na década de 1960 e 1970, muitos programas de inteligência artificial (IA) focavam em tarefas específicas, no intuito de demonstrar que um programa poderia resolvê-las, sem muita preocupação com princípios gerais de projeto aplicáveis a outras situações. Durante esse período, segundo Cozman (2021), havia uma divisão entre os pesquisadores que se dedicavam a teorias lógicas e aqueles que buscavam construir programas com esquemas variados de raciocínio e tomada de decisão. Um marco importante desse debate foi a publicação do artigo de Patrick Hayes, publicado em 1977, que defendia a lógica como a mais bem-sucedida linguagem para expressar pensamentos e inferências humanas.

Nos anos 1980, a IA experimentou tanto um interesse crescente quanto uma fase de desapontamento, conhecida como o "inverno da IA". Nils Nilsson, na época presidente da American Association for Artificial Intelligence, tentou combater os discursos negativos adotando um tom otimista, destacando as vitórias da IA, como representações declarativas e teorias de linguagem baseadas em estados cognitivos. Durante essa década, houve um grande interesse em teorias de linguagem baseadas em lógica, embora as soluções propostas não tenham atingido sucesso significativo. Foram destaque, também, o desenvolvimento de sistemas especialistas, baseados em regras formais, e a robótica que, por sua vez, viu o impacto das arquiteturas pouco formalizadas de Rodney Brooks e o ressurgimento das redes neurais multicamadas.

Ao passar pela década de 1990, a IA enfrentou um segundo "inverno", marcado por controvérsias e queda de financiamento. No entanto, avanços significativos ocorreram com a adoção de formalismos baseados em probabilidades, estatística e otimização, impulsionados pelo trabalho de Judea Pearl. Ao mesmo tempo, o foco da análise linguística começou a se deslocar para modelos estatísticos, como o sistema Candide da IBM, que utilizava probabilidades para traduzir textos.

Nos anos 2000, a IA experimentou um avanço significativo, principalmente com o crescimento das técnicas de “aprendizado de máquina” - expressão utilizada para se referir a um conjunto difuso de ideias cujo objetivo era melhorar o desempenho de um sistema com base em suas experiências (Cozman, 2021). Com isso, a representação de conhecimento tornou-se mais teórica, com ênfase em ontologias e lógicas, além de métodos racionais de decisão e planejamento para um ou mais agentes. Em 2009, um artigo de três pesquisadores da empresa Google, Alon Halevy, Peter Norvig e Fernando Pereira, destacou a eficácia de grandes volumes de dados para a IA, argumentando que a extração de padrões de grandes bases de texto era mais eficaz do que gramáticas e ontologias manuais.

A partir de 2010, a IA entrou em uma nova fase, marcada pela consolidação de métodos formais e pela sofisticação do aprendizado de máquina, em diálogo com a estatística. Redes neurais profundas começaram a dominar tarefas complexas, como tradução automática, superando o desempenho humano em várias áreas.

Nos últimos anos, tem havido um esforço para integrar o aprendizado de máquina com técnicas "clássicas" de IA, com expectativas crescentes da sociedade em relação a essa tecnologia. Como o foco desse projeto é na área da educação, vamos nos ater à aplicação da inteligência nesse contexto. Nessa área, tem se destacado a IA Generativa, causando impactos nas tarefas de geração de textos, imagens e vídeos.

É comum, também, encontrarmos o termo “IA gerativa”, de modo a fazer referência à função de “gerar previsões e conteúdo a partir de dados for¬necidos, o que é uma característica central dessa tecnologia” (CIEB, 2024, p. 6). São exemplos de ferramentas da IA generativa os modelos de linguagem baseados em transformers - arquitetura de aprendizado de máquina para processamento de linguagem natural, como o OpenAI Chat GPT, Microsoft Copilot, Google Gemini, Groq, entre outros.

É notório que a IA torna-se cada vez mais parte da vida cotidiana da sociedade, ainda dividindo opiniões e, por vezes, até causando preconceitos por associarem o uso da tecnologia à falta de habilidade cognitiva ou à redução do pensamento crítico do usuário. Esse pensamento, por vezes, restringe a adesão à IA que, quando utilizada dentro dos princípios éticos e com o devido conhecimento das ferramentas inteligentes, podemos obter resultados produtivos e transformadores.

Nesse sentido, o Centro de Inovação para Educação Brasileira (CIEB), em publicação de notas técnicas que datam de 2024, com a finalidade de contribuir para o debate sobre a IA na educação pública brasi¬leira, corrobora a “necessidade de letramento em IA, a fim de ga-rantir seu uso para o trabalho, o exercício da cidadania e até mesmo para a expressão individual”. Ademais, alerta para os riscos da falta de conhecimento dessa tecnologia, como “a exposição de dados pessoais, a vulnerabilização digital e o desequilíbrio de poder entre usuários e corporações ou governos que disponibilizam essas ferramentas”.

Dessa forma, a recomendação do CIEB (2024) é de que o letramento em IA seja uma competência a ser desenvolvida não somente por professores, mas também por estudantes desde o ensino básico. Isso conflui para a importância de que o tema esteja na pauta das pesquisas científicas, mas também das formações de professores.

A aplicação da inteligência artificial (IA) na educação, especialmente no ensino de linguagens, representa uma intersecção significativa entre tecnologia e práticas pedagógicas. A IA educacional é, por sua natureza, multidisciplinar, englobando o uso de tecnologias para aprimorar o ensino e a aprendizagem.

De acordo com essa perspectiva, e levando em conta que a IA tem um histórico de surgimento que data de 1956, consideramos pertinente abordar como os documentos orientadores do ensino no Brasil, como os Parâmetros Curriculares Nacionais (PCN) e a Base Nacional Comum Curricular (BNCC), destacam a importância da inserção de tecnologias no ambiente escolar.

Segundo os PCN do Ensino Médio, no fascículo correspondente à área de Linguagens e Códigos e suas Tecnologias (Brasil, 2000), a revolução tecnológica traz novas formas de socialização e produção, influenciando a identidade dos indivíduos e promovendo o uso do letramento digital como ferramenta essencial para novas estratégias de aprendizagem. Por sua vez, a BNCC (Brasil, 2018) surge quase vinte anos depois e reforça essa perspectiva, ao destacar que as tecnologias digitais e a computação são fundamentais para o desenvolvimento de competências como o pensamento computacional, o domínio do mundo digital e a cultura digital, todas essenciais para a formação dos estudantes no contexto atual.

Nesse sentido, a Organização das Nações Unidas para a Educação, a Ciência e a Cultura (Unesco) aponta que o letramento em IA, composto por letramento em dados, algoritmos e modelos, pode ser introduzido no ensino fundamental, dado que as novas gerações estão cada vez mais familiarizadas com a tecnologia, principalmente por meio de dispositivos móveis (Unesco, 2022).

Ainda nessa linha, destacamos as orientações do CIEB (2024) ao sugerirem que a IA deve ser integrada à educação de forma consciente, propondo dois eixos de ensino: pensar com a IA e pensar sobre a IA. O primeiro envolve o uso da tecnologia para resolver problemas e complementar as práticas educativas tradicionais - segue por um viés que perpassa o trabalho do professor, enquanto o segundo propõe uma compreensão mais profunda da infraestrutura tecnológica por trás das interfaces utilizadas pelos estudantes - volta-se para a utilização pelos estudantes, que também necessita da intervenção docente, para que seja utilizado com finalidade pedagógica, de modo a preservar o desenvolvimento da autonomia e do pensamento crítico do usuário, que não pode se perder de vista no que diz respeito ao trabalho pedagógico.

Nesse sentido, Arnett (2016) argumenta que o papel do professor é determinante, indo além da simples transmissão de informações ao oferecer orientação, suporte emocional e feedback especializado em habilidades humanas complexas, como o pensamento crítico e a resolução criativa de problemas. No que trata do aprendizado da área de linguagens, essas habilidades são fundamentais visto serem necessárias para a compreensão da leitura, a produção de texto e outras tantas atividades dentro da Linguística Aplicada.

Ademais, a atuação do professor vai além der mediar o uso, visto que entre tantas ferramentas digitais, inclusive de IA, é preciso se promova a tarefa de curadoria digital. Barros (2016) associa essa tarefa à seleção, intercalação e organização de um todo sistematizado de qualquer tipo de mídia em diversos tipos de atividades sociais caracterizada como uma prática híbrida - humana e não humana.

Nesse caso, a tarefa humana cabe ao professor e a não-humana, aos algoritmos, constituindo numa atividade que, “junto com as transformações nessa prática cultural tradicional, e com as novas possibilidades técnicas disponíveis, surgem também novas formas textuais, frutos de apropriações da curadoria por comunidades discursivas diversas” (Barros, 2016, p. 46).

Por outro lado, o Arruda (2024) vai ao encontro do primeiro eixo, observando que a IA generativa pode impactar significativamente a educação, principalmente ao gerar respostas a perguntas formuladas por humanos, o que levanta questões sobre o futuro do trabalho docente. Segundo o autor, o uso de tutores inteligentes, como sistemas baseados em IA generativa, a exemplo do ChatGPT, com a finalidade de auxiliar no processo de ensino, já começa a ser adotado em algumas escolas norte-americanas. Entretanto, a adoção dessas tecnologias também exige uma reflexão crítica.

Nesse viés, Arruda (2024) alerta que a resistência à incorporação de tecnologias digitais no ambiente escolar pode ser prejudicial, pois priva a educação da oportunidade de discutir e problematizar o uso crítico dessas ferramentas. A falta de protagonismo da educação na implementação dessas tecnologias pode dificultar a construção de práticas pedagógicas que aproveitem as vantagens proporcionadas pela IA, ao mesmo tempo que amplifiquem as dinâmicas de gestão e organização educacional. Em outras palavras, se a tecnologia está disponível e tem capacidade de contribuir com o trabalho docente, o ideal é que as discussões e os estudos se voltem a essa questão, para que ela possa ser vista como funcional e, ainda, que seja feita a partir de uma prática planejada e fundamenta no conhecimento do recurso selecionado.

Dentre as funcionalidades da IA, aponta-se a possibilidade de auxiliar o trabalho docente, a partir da capacidade de fornecer feedbacks ao professor e de personalizar atividades que se adequem às necessidades individuais dos discentes, certamente a partir das informações fornecidas à ferramenta pela ação do professor. A personalização do ensino, conforme Vicari (2018), é uma estratégia que se beneficia das tecnologias de IA, permitindo que os conteúdos e desafios educacionais sejam ajustados ao nível de conhecimento e ao estado afetivo de cada aluno. Essa adaptação é possível através de informações extraídas de modelos afetivos e cognitivos do aluno, implementadas por meio das diversas tecnologias inteligentes.

Portanto, é necessário conhecermos como as ferramentas Inteligência Artificial Generativa funcionam para que possamos incluí-la no planejamento com expectativas reais para a melhoria das práticas pedagógicas.

Nesta pesquisa, fizemos uma investigação sobre as ferramentas de Inteligência Artificial Generativa (IAGen), que podem ser utilizadas no contexto do ensino de Língua Portuguesa, visto conferirmos a essa tecnologia a possibilidade de contribuir para a personalização da aprendizagem, a fim de tornar as atividades mais significativas para alunos no Ensino Fundamental, sobretudo os que possuem deficiência ou transtorno que traz implicações para o desenvolvimento cognitivo.

Em face disso, definimos a IAGen, a partir de publicação da Unesco (2024), que a apresenta como uma tecnologia que permite a criação de conteúdo novo em resposta a comandos em linguagem natural, em vez de apenas curar informações existentes. Ela gera uma variedade de conteúdos, como textos, imagens, vídeos, música e código de software, baseando-se em dados coletados da web e de outros meios digitais. A partir de uma análise estatística desses dados, a IAGen identifica e repete padrões, criando assim novos materiais.

Entre as funções da IAGen, ganha destaque a de gerar textos, também chamadas de modelos de linguagem ou LLM. Nos estudos de Röen e Santaella (2023), as autoras enfatizam que esses modelos “correspondem a uma representação de línguas decorrente da aprendizagem maquínica da relação entre as palavras, produzindo respostas, manipulando formas linguísticas, ou seja, operando com os jogos da linguagem que produzem sentido”. Ao contrário das IAGen de imagem, Chaton AI não se baseiam em modelos de linguagem, mas sim em modelos de difusão que resulta na criação de imagens. De modo mais geral, a IAGen é parte de uma família maior de tecnologias de aprendizado de máquina, que usa algoritmos para melhorar continuamente seu desempenho.

Em vista disso, o uso de plataformas e ferramentas de Inteligência Artificial Generativa (IAGen) na educação tem o potencial de aprimorar tanto a compreensão dos professores sobre suas disciplinas quanto seu domínio em metodologias de ensino (Unesco, 2024). A inclusão de alunos com deficiência ou transtornos de aprendizagem nessas metodologias tem sido uma pauta relevante nas discussões educacionais, de modo que promover uma educação de qualidade, baseada na equidade, para todos os estudantes têm sido um desafio cada vez mais necessário de buscar estratégias para superá-lo. Nesse contexto, a IAGen surge como uma ferramenta valiosa, capaz de gerar atividades personalizadas que atendam às particularidades de aprendizagem de cada estudante, contribuindo para transformar o trabalho docente e potencializar o ensino.

Entre as ferramentas mais utilizadas, apontamos o ChatGPT, que utiliza um transformador generativo pré-treinado e tem como grande diferencial a democratização do uso de seu modelo por meio de um chatbot que permite ao usuário fazer perguntas (Röen e Santaella, 2023, p. 82). Desde o lançamento público do ChatGPT em novembro de 2022, o impacto da IAGen tem sido significativo, provocando reações diversas dos governos em relação à sua regulamentação. Essas reações variam desde proibições até adaptações regulatórias e a criação de novas políticas para equilibrar o potencial criativo da IAGen com a necessidade de controle e segurança (Unesco, 2024).

Outra ferramenta que consta em listas de ferramentas de IAGen é o Gemini, da Google. Oliveira (2024), em descrição publicada pelo site Olhar Digital, aponta que essa plataforma se destaca por abarcar a multimodalidade, ou seja, por trabalhar com o processamento e a compreensão de texto, imagem e vídeo. Vale ressaltar que o Gemini e o ChatGPT funcionam, ambas, a partir de modelos de linguagem préconfigurados, que atendem a comandos do usuário, e que, quanto mais específicos e detalhados foram esses comandos, maiores são as chances de que o resultado se aproxime do esperado.

Por sua vez, a Copilot, da Microsoft, também utiliza modelos de linguagem, a partir de modelos pré-treinados como o GPT-4, que aplicam técnicas de aprendizado profundo e grandes conjuntos de dados para entender, resumir, prever e gerar conteúdo.

Com a finalidade de analisar seu funcionamento, aplicamos dois prompts com o mesmo conteúdo nas três ferramentas de IAGen, destacando que o segundo somente foi enviado após o resultado obtido do primeiro. Os comandos foram: 1) “Sou professora de Língua Portuguesa, do 8º ano do Ensino Fundamental, e trabalho com crianças na faixa etária de 13 a 14 anos. Preciso de um plano de aula de 50 minutos, com o poema Retrato, de Cecília Meireles. Além desse plano, preciso que elabore também 04 questões de interpretação de texto para serem resolvidas pelos alunos, que sejam capazes de avaliar habilidade de localizar informação explícita e implícita e mais 01 questão, com base na leitura do poema, que seja capaz de desenvolver o pensamento crítico dos alunos” (Elaborado pelas autoras); 2) “Nessa turma que mencionei acima, tenho alunos com TDAH (Transtorno do déficit de atenção com hiperatividade). Preciso de um plano de aula, e de uma atividade, para trabalhar o mesmo conteúdo anterior, mas que seja adaptado para trabalhar com esses alunos (Elaborado pelas autoras).

Analisamos os resultados e consideramos produtivas as três devolutivas dadas pelas ferramentas de IAGen. Contudo, para descrever resultados mais claros, expomos a seguir uma visão mais específica sobre cada uma.

Primeiro, utilizamos o Gemini, que nos retornou, após o primeiro comando, com um plano de aula, composto por: objetivo geral, quatro objetivos específicos, conteúdo, procedimentos, recursos e avaliação; além da atividade. Quanto ao plano, houve coerência na abordagem do conteúdo e das habilidades mencionadas no prompt. Quanto à atividade, a IAGen elaborou apenas 3 questões, e não as 5 solicitadas. Ao final, apresentou uma sugestão de atividade extensiva relacionada ao gênero poema. Podemos dizer que foi uma atividade exequível e que atendeu ao tempo previsto.

Em resposta ao segundo comando, o Gemini trouxe, inicialmente, recomendações considerações importantes que se deve ter ao trabalhar com alunos com Transtorno do Défcit de Atenção e Hiperatividade (TDAH), passando a apresentar o plano, atendendo ao exposto anteriormente. Nesse plano, foram levadas em conta as características da pessoa com TDAH e sua forma de aprendizagem, selecionando, como recursos, materiais visuais com o intuito de que pudessem manter a concentração dos alunos na atividade proposta. Quanto à atividade, não foi elaborada a partir de perguntas, mas foi sugerido o desenvolvimento de desenhos e outras produções feitas pelos próprios alunos.

Como plataforma seguinte, inserimos o primeiro prompt no Copilot, que nos retornou com um plano de aula composto por três objetivos específicos, materiais necessários, estrutura da aula com a divisão do tempo e cinco questões de interpretação contemplando as habilidades solicitadas no comando. Com exceção da questão que teve a finalidade de desenvolver o pensamento crítico, as anteriores foram formuladas de forma bem breve e não houve nenhuma sugestão de ir além do que estava no plano.

No tocante à adaptação do plano para alunos com TDAH, a ferramenta indicou o uso de materiais a serem manipulados pelos alunos, a construção de desenhos e a apresentação oral de suas produções. Com relação à atividade de interpretação, o Copilot sugeriu as mesmas questões da atividade anterior, com o diferencial de trazer, ao final, dicas adicionais para trabalhar com alunos com TDAH. Ao analisar as dicas, constatamos que são compatíveis com as características do transtorno em questão. Ademais, os planos também foram exequíveis.

Por último, enviamos o prompt inicial ao ChatGPT, que nos retornou com: um plano de aula com estrutura semelhante ao do Copilot, com três objetivos específicos, materiais necessários, etapas da aula com a divisão do tempo e cinco questões de interpretação contemplando as habilidades solicitadas no comando. Entretanto, as questões elaboradas eram mais complexas do que as elaboradas pela outra ferramenta, sempre solicitando a justificativa do aluno à resposta dada, fosse com trechos do texto, no caso das que contemplam habilidade de inferir informação no texto. Ao final, também não trouxe sugestões adicionais.

Ao dar a devolutiva para a solicitação de plano de aula adaptado para os alunos com TDAH, o ChatGPT manteve a estrutura do plano, mas adequou todos os elementos ao esperado. Fez a indicação de uso de recursos tecnológicos como gravação do poema e uso de fones de ouvido, com a finalidade de tentar manter a concentração do aluno na atividade; uso de papel colorido, o que se assemelha ao elaborado pelas duas ferramentas anteriores, ao considerar a importância de elementos visuais e coloridos para chamar à atenção os alunos; e acrescentou o uso de cartões com palavraschave, tendo em vista a limitação de retenção de partes maiores do texto pelos alunos com TDAH. As questões elaboradas foram todas mais curtas, sob a justificativa apresentada ao final da atividade de conseguir o engajamento e o foco dos alunos nas etapas previstas.

Diante desse cenário, passamos, portanto, às conclusões do estudo.