Letramento em AI: frameworks, ferramentas e práticas

O letramento em AI é a capacidade de um indivíduo compreender e utilizar de forma eficaz as ferramentas de AI, o que inclui entender como a AI funciona, avaliar criticamente os seus resultados e reconhecer as implicações éticas do seu uso. A demanda por letramento em AI cresceu sete vezes em dois anos, à medida que as ferramentas de AI generativa deixaram de ser uma novidade para se tornarem utilitários diários no ambiente de trabalho, tornando-se tão cruciais para o avanço na carreira quanto o letramento digital.

Doze por cento dos adultos empregados agora usam AI diariamente em seus trabalhos, e o Fórum Econômico Mundial prevê que 40% das habilidades necessárias mudarão em cinco anos. Este guia abrange uma estrutura prática de letramento em AI, estratégias para o ensino superior e as ferramentas, a avaliação e os fundamentos da ciência da computação por trás de uma verdadeira fluência em AI.

O que é letramento em AI e inteligência artificial?

O letramento em AI é a combinação de habilidades e conhecimentos que permite a uma pessoa usar ferramentas de AI de forma eficaz, avaliar criticamente seus resultados e compreender as limitações dos sistemas que os produzem — uma forma de fluência aplicada, semelhante a como o letramento digital não exige que alguém monte um computador para usá-lo de maneira produtiva.

A inteligência artificial refere-se a sistemas de computação projetados para realizar tarefas que normalmente exigem cognição humana, incluindo compreensão de linguagem, reconhecimento de padrões e tomada de decisões. O machine learning e o deep learning são subcampos da inteligência artificial que permitem que os sistemas melhorem em tarefas por meio da exposição a dados, em vez de regras escritas manualmente.

Um estudante com fluência básica em AI consegue identificar quando uma ferramenta de AI se adequa a um problema, formular uma solicitação que produza um resultado utilizável e reconhecer sinais de que um resultado pode ser impreciso ou tendencioso — o uso adequado, eficaz e crítico forma a base de todas as estruturas abordadas aqui.

Estrutura de letramento em AI

A maioria das estruturas de letramento em AI organiza as competências em torno de três modos de engajamento: compreender como os sistemas de AI funcionam, avaliar a precisão e o viés dos resultados de AI e usar ferramentas de AI para realizar tarefas. As estruturas de letramento em AI geralmente incluem domínios funcionais, críticos e éticos, cada um mapeando para habilidades observáveis em vez de conhecimento abstrato.

O domínio funcional abrange a criação de prompts e a compreensão de vocabulário como grandes modelos de linguagem, dados de treinamento e modelos de machine learning. O domínio crítico abrange a verificação de resultados em relação ao material de origem e o reconhecimento de informações alucinadas. O domínio ético abrange a privacidade de dados, a integridade acadêmica e como o viés entra nos resultados de AI por meio dos dados de treinamento.

O letramento em AI promove o pensamento crítico sobre as tecnologias de AI e suas aplicações, associando cada competência a um valor: precisão, ceticismo e responsabilidade.

Estrutura expandida de letramento em AI

Uma versão mais detalhada da estrutura divide Compreender, Avaliar e Usar em níveis de progressão. No nível fundamental, o estudante consegue definir termos-chave e identificar a AI em produtos do dia a dia. No nível intermediário, o estudante consegue comparar resultados de várias ferramentas. No nível avançado, o estudante consegue auditar os resultados de um sistema em busca de vieses e projetar fluxos de trabalho com supervisão humana.

Compreender significa entender que um modelo gera resultados a partir de padrões aprendidos nos dados de treinamento, e não por meio de uma compreensão real. Avaliar significa aplicar uma lista de verificação consistente — incluindo a checagem de afirmações em relação a uma fonte confiável — antes de usar um resultado. Usar significa aplicar ferramentas de AI a tarefas reais em pesquisa, redação, programação e análise de dados, o que ajuda os estudantes a verem o letramento em AI como uma habilidade transferível.

Desenvolvendo o letramento em AI no ensino superior

As instituições de ensino superior têm uma responsabilidade especial com o letramento em AI, pois os estudantes se formarão para ingressar em uma força de trabalho onde as ferramentas de AI generativa já são padrão. As estratégias de integração curricular funcionam melhor quando distribuídas entre os departamentos, em vez de se limitarem a uma única disciplina eletiva de ciência da computação, já que avaliar um resumo jurídico gerado por AI exige habilidades diferentes de avaliar um relatório de laboratório gerado por AI.

Em 2024, uma pesquisa com o corpo docente revelou que educadores proficientes em AI usam mais as ferramentas de AI, e esse padrão se estende aos estudantes: a demonstração prática por parte dos professores gera adoção e confiança de forma mais eficaz do que apenas documentos de políticas. Módulos específicos para cada função são importantes — o treinamento para professores sobre o uso responsável de AI na avaliação de notas é diferente do treinamento para estudantes sobre pesquisa e redação assistidas por AI.

Pontos de verificação de avaliação permitem que as instituições acompanhem o letramento em AI da mesma forma que acompanham a proficiência em redação: um ponto de verificação inicial pode avaliar definições e riscos básicos, enquanto um ponto de verificação antes da graduação pode avaliar se os estudantes conseguem auditar um resultado gerado por AI em relação ao material de origem.

Exemplos de cursos e tarefas

Um plano de aula modular para uma unidade de AI generativa geralmente começa com definições e uma demonstração, passa para a prática guiada de escrita de prompts e termina com um projeto que exige que os estudantes avaliem e revisem o conteúdo gerado por AI, em vez de enviá-lo sem edição.

Uma tarefa que avalia a qualidade do prompt pede aos estudantes que enviem um prompt junto com seu resultado e, em seguida, expliquem o que funcionou e como o revisariam. O uso eficaz de AI inclui aprender engenharia de prompt — a prática de criar prompts claros para resultados específicos —, o que torna a iteração de prompts uma habilidade visível, em vez de uma tentativa única ao acaso.

Uma rubrica para o uso ético de AI deve pontuar a divulgação, a verificação de afirmações e a proporção de análise original separadamente, evitando o erro de tratar "usou AI" e "usou AI de forma irresponsável" como uma única violação.

Ferramentas de AI e ferramentas de AI generativa

As ferramentas de AI usadas em ambientes de sala de aula e de trabalho geralmente se dividem em algumas categorias: assistentes de redação, ferramentas de pesquisa e resumo, ferramentas de análise de dados e ferramentas de geração de imagem ou código. Catalogar as ferramentas por caso de uso, em vez de por fornecedor, ajuda os instrutores a alinhar uma ferramenta a um objetivo de aprendizagem.

As ferramentas de AI generativa podem aprimorar o aprendizado e as capacidades humanas quando usadas com limites claros sobre o que a ferramenta produz versus o que o estudante deve produzir de forma independente. O letramento em AI generativa concentra-se especificamente em grandes modelos de linguagem, já que esses sistemas alimentam a maioria das ferramentas de redação e conversação com as quais os estudantes têm contato primeiro.

Comparar os pontos fortes das ferramentas para tarefas específicas é importante porque nenhuma ferramenta única apresenta o melhor desempenho em todas as categorias — parte do letramento em AI é reconhecer quando uma ferramenta não é adequada para uma tarefa. Um modelo de início rápido para uma ferramenta deve indicar seu caso de uso, um prompt de exemplo e as limitações conhecidas, como a fabricação de citações.

Como a AI funciona: modelos e resultados

Os chatbots de AI analisam dados para gerar respostas de texto prováveis, em vez de recuperar respostas pré-escritas de um banco de dados. Um grande modelo de linguagem é treinado em grandes volumes de texto, aprendendo padrões estatísticos de como as palavras se relacionam entre si, e gera cada nova palavra prevendo o próximo token mais provável, considerando tudo o que veio antes.

O treinamento de modelos envolve expor um sistema a grandes volumes de dados e ajustar parâmetros internos até que os resultados se alinhem com os padrões nesses dados; um modelo pré-treinado também pode ser adaptado para uma tarefa mais específica por meio de fine-tuning, embora mesmo um sistema com fine-tuning não tenha um mecanismo integrado para verificar se seu resultado é factualmente correto.

O viés nos resultados do modelo geralmente se origina nos próprios dados de treinamento: perspectivas super-representadas ou sub-representadas nesses dados aparecem como desequilíbrio nos resultados. A conscientização sobre os dados é necessária para entender como a qualidade dos dados afeta os resultados de AI, tornando essa uma habilidade essencial de letramento em AI.

A alucinação — um modelo que gera informações confiáveis e plausíveis, mas factualmente incorretas — ocorre porque o modelo gera a continuação estatisticamente provável de um prompt, em vez de verificar um fato em uma fonte verificada. Sinais comuns incluem citações que não podem ser localizadas e respostas que mudam quando a pergunta é feita duas vezes.

Uso prático de AI no dia a dia

O letramento em AI capacita os indivíduos a navegar pela influência da AI no dia a dia, desde resultados de busca baseados em AI até assistentes de redação e ferramentas de agendamento no ambiente de trabalho. Reconhecer onde a AI já opera em segundo plano nos aplicativos cotidianos é, por si só, uma habilidade de letramento.

Uma lista de verificação para o compartilhamento seguro de dados com AI deve evitar a inserção de informações de identificação pessoal ou documentos de trabalho confidenciais em ferramentas voltadas para o consumidor, a menos que a organização tenha aprovado esse uso, já que muitas ferramentas gratuitas retêm dados de conversação para treinamento por padrão. Revisar as configurações de retenção de uma ferramenta de AI e separar as contas pessoais das de trabalho reduz o risco de exposição indesejada de dados.

Avaliação crítica e ética

O letramento em AI ensina os usuários a reconhecer problemas como viés e privacidade antes de agir com base em um resultado gerado por AI. Uma lista de verificação de avaliação crítica passo a passo questiona se uma afirmação é verificável, se o resultado mostra sinais de viés e se agir com base nele traria um custo significativo caso estivesse errado. Exercícios de detecção de viés funcionam melhor com prompts pareados — a mesma solicitação formulada com detalhes demográficos diferentes — para que os estudantes possam observar como os resultados mudam com base no enquadramento.

O letramento ético em AI inclui a compreensão das implicações morais da AI, incluindo autoria, consentimento e o custo de treinar grandes modelos. Práticas de atribuição e transparência — divulgar quando a AI auxiliou em um trabalho — protegem a integridade acadêmica e a credibilidade profissional. O US Copyright Office esclareceu o status dos direitos autorais de materiais gerados por AI em 2023, estabelecendo que conteúdos puramente gerados por AI geralmente não podem receber proteção de direitos autorais sem uma autoria humana significativa.

Fundamentos da ciência da computação para o letramento em AI

Um estudante não precisa de um diploma em ciência da computação para ter letramento em AI, mas uma compreensão prática de alguns conceitos fundamentais torna a avaliação e a resolução de problemas muito mais eficazes. Os conceitos essenciais incluem como os dados são estruturados, a distinção entre programas baseados em regras e modelos aprendidos, e como os sistemas de computação transformam entradas em saídas.

As trilhas de programação para iniciantes são úteis até mesmo para alunos não técnicos, já que escrever uma pequena quantidade de código desmistifica como a AI é integrada aos produtos que as pessoas já usam. Tópicos básicos de estatística completam essa base: o que uma distribuição de probabilidade representa, por que uma pontuação de confiança não é o mesmo que precisão e como o tamanho da amostra e a qualidade dos dados afetam a confiabilidade.

Implementando programas de letramento em AI

Uma avaliação inicial de letramento em AI deve medir as competências funcionais, críticas e éticas separadamente, pois uma organização pode ser forte no uso de ferramentas, mas fraca na avaliação crítica. Identificar e treinar multiplicadores internos acelera a adoção, já que o treinamento liderado por colegas gera mais confiança do que mandatos de cima para baixo — os programas de letramento em AI são essenciais para o uso responsável da AI, e os multiplicadores integrados às equipes servem de modelo para esse uso no contexto real.

Estabelecer uma estrutura clara de governança de AI e uma política de uso aceitável oferece aos alunos um limite concreto sobre o que é permitido, reduzindo a ambiguidade que leva à evasão excessivamente cautelosa ou ao uso excessivo e imprudente. Os programas de letramento em AI devem incluir considerações éticas e governança desde o início, e são reconhecidos por governos em vários países como parte da estratégia nacional de habilidades digitais. Pilotos de experimentos iterativos — testar um módulo com um pequeno grupo antes de uma implementação completa — permitem que as instituições ajustem o conteúdo com base em feedbacks reais.

Avaliação e métricas

Os objetivos de aprendizagem mensuráveis devem especificar um comportamento observável, não apenas um tópico: "identificar três sinais de alucinação de AI em uma saída de exemplo" é mensurável de uma forma que "compreender as limitações da AI" não é. As tarefas formativas funcionam melhor quando refletem casos de uso reais — avaliar um resumo imperfeito gerado por AI demonstra a avaliação crítica de forma mais direta do que uma pergunta abstrata de múltipla escolha.

As métricas de impacto devem acompanhar os resultados além da conclusão do curso, incluindo a confiança com que os alunos relatam usar ferramentas de AI meses depois e se o uso declarado de AI nos trabalhos escolares aumenta ao longo do tempo — métricas de longo prazo importam tanto quanto as pontuações pós-treinamento.

Recursos, kits de ferramentas e próximos passos

As leituras recomendadas devem ser atualizadas regularmente, pois as ferramentas de AI mudam mais rápido do que a maioria das outras disciplinas curriculares. Um curso de fundamentos de AI generativa e uma referência duradoura como The Big Book of Generative AI envelhecem melhor do que uma lista de leitura baseada em nomes de ferramentas específicas, e tutoriais práticos combinados com uma breve reflexão transformam um passo a passo passivo em um exercício ativo.

Até 2026, 67% dos CEOs acreditam que a AI aumentará o número de funcionários iniciantes, mesmo com a transição dos cargos para o trabalho aprimorado por AI. Um roteiro de implementação de seis meses deve tratar o letramento em AI como uma capacidade contínua: o primeiro mês para avaliação inicial, os meses dois a quatro para entrega dos módulos e treinamento de multiplicadores, e os meses cinco e seis para medir o impacto e refinar o programa.

Perguntas frequentes sobre letramento em AI

O que é letramento em AI?

O letramento em AI é a capacidade de um indivíduo de entender como os sistemas de AI funcionam, avaliar suas saídas de forma crítica e usar ferramentas de AI de maneira eficaz e ética.

Por que o letramento em AI é importante no ensino superior?

Os estudantes entrarão em um mercado de trabalho onde as ferramentas de AI generativa já são uma prática padrão. As instituições que integram o letramento em AI em todos os departamentos preparam os alunos para avaliar e usar ferramentas de AI de forma responsável em qualquer área.

Quais são os principais domínios de uma estrutura de letramento em AI?

As estruturas de letramento em AI geralmente organizam as habilidades em três domínios: letramento funcional, a capacidade de usar ferramentas de AI de maneira eficaz; letramento crítico, a capacidade de avaliar as saídas quanto à precisão e ao viés; e letramento ético, a compreensão das implicações morais e legais da AI.

Como os educadores podem avaliar o letramento em AI?

Os educadores podem avaliar o letramento em AI usando objetivos mensuráveis e baseados em comportamento, como pedir aos alunos que identifiquem erros em um resultado imperfeito gerado por AI ou que declarem e justifiquem o uso de AI em um projeto.

O que causa a alucinação de AI?

O que causa a alucinação de AI?

A alucinação de AI ocorre porque os grandes modelos de linguagem geram a continuação estatisticamente mais provável de um prompt, em vez de recuperar e verificar fatos de uma fonte confiável, razão pela qual a avaliação crítica das saídas de AI é uma habilidade essencial do letramento em AI.

(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original