UNIVERSIDADE FEDERAL DE SANTA CATARINA

DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA

LEONARDO MARTINS GONÇALVES

Desenvolvimento de um Curso de Machine Learning com Foco em Detecção

de Objetos no Ensino Médio

FLORIANÓPOLIS
2022
 LEONARDO MARTINS GONÇALVES

Desenvolvimento de um Curso de Machine Learning com Foco em Detecção

de Objetos no Ensino Médio

Trabalho de Conclusão do Curso de Graduação

em Sistemas de Informação, do Departamento de
Informática e Estatística, do Centro Tecnológico
da Universidade Federal de Santa Catarina,
requisito parcial à obtenção do título de Bacharel
em Sistemas de Informação.

Orientadora: Prof.ª Dr.ª rer. nat. Christiane Gresse

von Wangenheim, PMP.

FLORIANÓPOLIS
2022
 RESUMO

É perceptível a constante presença do Machine Learning (ML) no cotidiano do

mundo moderno. E, desta forma, destaca-se a importância da compreensão por
parte da sociedade de sua aplicabilidade e funcionamento. Por isso, é relevante
introduzir o ensino de ML na educação básica de maneira que os jovens consigam
usar a tecnologia como ferramenta para criar soluções inteligentes. Atualmente, já
estão sendo criadas primeiras unidades instrucionais voltadas ao ensino de ML na
educação básica, porém quase exclusivamente focando na tarefa de classificação
de imagens. Assim, levando em consideração uma gama mais diversa de tarefas de
ML, esse trabalho visa criar um curso online de Machine Learning com foco na
detecção de objetos para alunos do ensino médio. O curso é desenvolvido com base
no estado da arte, seguindo o processo de design instrucional definindo os objetivos
de aprendizagem e plano de ensino, como também o desenvolvimento de todo o
material didático em forma de um curso online e a definição da avaliação de
desempenho do aluno. É esperado que esse curso possa ser utilizado por
educadores e professores do Ensino Médio contribuindo para a inserção dos jovens
no campo de ML bem como, sua capacitação para o pensamento crítico frente às
novas aplicações da IA.

Palavras-chave: Inteligência Artificial, Aprendizado de Máquina, Deep Learning,

Detecção de objetos, Ensino Médio, YOLO, ODIN.
 LISTA DE FIGURAS

Figura 1: IA, ML e DL sub categorizados em camadas (JAKHAR e KAUR, 2020) 13

Figura 2: Etapas para detecção de objetos com R-CNN 15
Figura 3: Sistema de detecção YOLO (REDMON, 2016) 15
Figura 4: Modelos do YOLOv5 (YOLOv5, 2022) 17
Figura 5: Exemplo de documento Jupyter rodando código em Python no ambiente do
Google Colab 20
Figura 6: Interface inicial da etapa de análise de requisitos no ODIN 21
Figura 7: Interface da etapa de treinamento do modelo no ODIN 22
Figura 8: Conceitos de Computação no Ensino Médio (SBC, 2018) 24
Figura 9: Ciclo de progresso Use-Modify-Create (LEE et al., 2011) 30
Figura 10: Crianças e adolescentes que residem em domicílios com acesso à
internet (CETIC.BR, 2020a) 40
Figura 11: Crianças e adolescentes usuários de internet, por dispositivos utilizados
de forma exclusiva ou simultânea para acessar a internet (CETIC.BR, 2020b) 40
Figura 12: Professores de escolas urbanas, por dificuldades para uso de tecnologias
em atividades pedagógicas (CETIC.BR, 2021) 42
Figura 13: Exemplo de atividade interativa 49
Figura 14: Exemplo de quiz de escolhas únicas 56
Figura 15: Exemplo de quiz de múltiplas escolhas 56
 LISTA DE TABELAS

Tabela 1: Objetivos de aprendizagem da ideia #3. (SALVADOR et al., 2021a) a partir

de (TOURETZKY et al., 2019) 26
Tabela 2: Competências necessárias para AI Literacy. Traduzido de (Long; Magerko,
2020) 30
Tabela 3: Formas de avaliação (ZEFERINO e PASSERI, 2007) 28
Tabela 4: Termos de busca 33
Tabela 5: Strings de busca para cada base de dados 33
Tabela 6: Visão geral dos resultados da pesquisa 34
Tabela 7: Unidades instrucionais que ensinam detecção de objetos para alunos do
Ensino Médio 35
Tabela 8: Competências relacionadas a detecção de objetos ensinadas nas
unidades instrucionais 36
Tabela 9: Características instrucionais das unidades instrucionais 36
Tabela 10: Recursos tecnológicos disponíveis nas escolas de ensino médio no Brasil
em 2020 (Adaptado de INEP e MEC, 2020) 41
Tabela 11: Objetivos de aprendizagem da Unidade Instrucional 42
Tabela 12: Plano de ensino 45
Tabela 13: Exemplos de slides do curso 46
Tabela 14: Exemplos de vídeos do curso 47
Tabela 15: Exemplos de atividades práticas 48
Tabela 16: Informações sobre o conjunto de dados do curso 49
Tabela 17: Informações do modelo desenvolvido 50
Tabela 18: Predição do modelo com imagens novas 52
Tabela 19: Ferramentas utilizadas no curso 53
Tabela 20: Rubrica de avaliação e proposta de automação da avaliação (PEREIRA,
2022). 55
 LISTA DE ABREVIATURAS E SIGLAS

IA - Inteligência Artificial
BNCC - Base Nacional Comum Curricular
CNN - Convolutional Neural Networks
CSTA - Computer Science Teachers Association
DL - Deep Learning
GPU - Graphic Processing Unit
MEC - Ministério da Educação
ML - Machine Learning
SBC - Sociedade Brasileira de Computação
YOLO - You Only Look Once
 SUMÁRIO

1 INTRODUÇÃO 8
1.1 CONTEXTUALIZAÇÃO 8
1.2 OBJETIVOS 10
1.3 METODOLOGIA DE PESQUISA E TRABALHO 11
2 FUNDAMENTAÇÃO TEÓRICA 12
2.1 MACHINE LEARNING VOLTADO A DETECÇÃO DE OBJETOS 12
2.1.1 MACHINE LEARNING 12
2.1.2 TIPOS DE MODELOS DE REDES NEURAIS 14
2.1.3 PROCESSO DE DESENVOLVIMENTO DE SISTEMAS DE DEEP
LEARNING 17
2.1.4 DESENVOLVIMENTO DE MACHINE LEARNING COM JUPYTER
NOTEBOOKS 19
2.2 ENSINO DE MACHINE LEARNING NA EDUCAÇÃO BÁSICA 22
3 ESTADO DA ARTE 32
3.1 DEFINIÇÃO DO PROTOCOLO DE BUSCA 32
3.2 EXECUÇÃO DA BUSCA 34
3.3 EXTRAÇÃO DE INFORMAÇÕES 35
3.4 DISCUSSÃO 37
4 CURSO “CRIE SEU PRIMEIRO MODELO PARA DETECÇÃO DE OBJETOS” 39
4.1 ANÁLISE DO CONTEXTO 39
4.2 OBJETIVOS DE APRENDIZAGEM 42
4.4 DESIGN DO CURSO 43
4.5 PLANO DE ENSINO 44
4.6 MATERIAL DIDÁTICO 46
4.6.1 CONJUNTO DE DADOS PREPARADO 49
4.6.2 MODELO DE ML DESENVOLVIDO 50
4.6.3 FERRAMENTAS UTILIZADAS NO CURSO 54
4.7 AVALIAÇÃO DE APRENDIZAGEM DO ALUNO 54
5 CONCLUSÃO 57
6 REFERÊNCIAS 58
1 INTRODUÇÃO

1.1 CONTEXTUALIZAÇÃO

A presença da Inteligência Artificial (IA) é cada vez mais comum no nosso

cotidiano, porém para muitas pessoas que estão fora do meio tecnológico sua
aplicabilidade e funcionamento acabam sendo uma incógnita. A IA se encontra em
aplicativos de streaming, em redes sociais, aparelhos eletrodomésticos e até em
veículos autônomos (HELLMAN, 2019). Essa tecnologia é um facilitador para as
indústrias de marketing, saúde, segurança e automobilística, que terão um grande
crescimento no mercado nos próximos anos à medida que a IA evoluir e se expandir
(SINGH, 2019). Além disso, segundo a Sociedade Brasileira de Computação (SBC),
é essencial que as pessoas consigam usufruir de toda capacidade computacional
para resolverem problemas do cotidiano ou do trabalho (SBC, 2017).
Com a crescente relevância da IA na sociedade atual, é perceptível o
aumento de incentivo ao ensino de computação na educação básica (MARQUES et
al., 2020). De acordo com o BNCC, uma das competências gerais da educação
básica é entender, utilizar e criar tecnologias digitais de forma crítica, resolvendo
problemas coletivos e levantando reflexões de natureza social e ética (BRASIL,
2017). Em concordância, a SBC afirma que é essencial o ensino de computação na
educação básica, propondo diretrizes e ferramentas para o auxílio na
implementação de computação na escola (SBC, 2017). Com relação ao ensino
médio, a SBC também ressalta a importância do ensino de IA para os estudantes
nessa etapa e provê fundamentos para a discussão de questões éticas envolvidas
nessa tecnologia (SBC, 2017).
Um dos principais segmentos da IA é o Machine Learning (ML), uma
tecnologia orientada a dados, cujo objetivo é extrair informações, padrões relevantes
nos dados e aprender de maneira autônoma por meio de exemplos (DEISENROTH,
FAISAL e ONG, 2020; ROYAL SOCIETY, 2017). O ML surgiu com o intuito de
utilização em reconhecimento de falas, processamento de linguagem natural,
controle de robôs, entre outros. Na área de IA, para diversas aplicações o processo
de aprendizado de máquina por meio de exemplos é mais rápido e eficaz do que
programar um sistema manualmente (JORDAN e MITCHELL, 2015).
 O ML é aplicado para as mais diversas tarefas. Entre elas, a detecção de
objetos, que é um dos principais focos na área de Deep Learning, uma vertente do
ML que lida com um processamento de dados mais pesado. A detecção de objetos
tem como objetivo localizar instâncias de objetos a partir de conjuntos de imagens, e
caso consiga encontrar, retorna a classificação, localização espacial e a área do
objeto (LIU et al., 2020).
A detecção de objetos é uma das tarefas mais relevantes nos campos de
visão computacional e robótica. Apesar dessa técnica já estar presente em diversos
eletrônicos do cotidiano atual, ainda está longe de estar presente em todas as áreas
em que poderia ser útil (VERSCHAE e RUIZ-DEL-SOLAR, 2015). O aumento de
implantações de sistemas de robôs de serviço, drones, reconhecimento de rostos,
mostra a importância da necessidade de sistemas de detecção de objetos
(VERSCHAE e RUIZ-DEL-SOLAR, 2015).
A forte presença da IA/ML no contexto atual, apresenta a necessidade dos
cidadãos compreenderem essas tecnologias, sendo importante que esse incentivo
venha desde cedo. Para tal, é necessário a definição de como a IA deve ser
aplicada na educação básica, para além de formar cidadãos que entendam a
tecnologia, incentivar também o estudo na área, motivando jovens a explorar
carreiras profissionais na área de IA/ML (TOURETZKY et. al, 2019a).
Neste contexto, já estão sendo desenvolvidas diretrizes curriculares de IA
também indicando o ensino de ML na educação básica (TOURETZKY et al.,
2019a). Além disso, tem-se buscado criar unidades instrucionais neste contexto
voltados ao ensino de conceitos de ML e a aplicação destes conceitos, levando os
alunos a desenvolver modelos de ML, principalmente para a tarefa de classificação
de imagens (MARQUES et al., 2020).
Mesmo observando que já existem diversas unidades instrucionais para o
ensino de ML no ensino médio, no Brasil, ainda há poucas unidades de ensino
disponíveis na língua nativa, e dessas, poucas são focadas na tarefa de
classificação de objetos (MARQUES et al., 2020). Poucos abordam também a
implantação de soluções inteligentes, por exemplo como partes de jogos com
Scratch e em apps com App Inventor (MARQUES et al., 2020). Apesar da SBC
salientar a relevância do ensino de IA/ML no ensino médio, nas escolas, a
presença deste tema também é escassa (SBC, 2017). Já que em outros países, as
iniciativas de ensino são mais comuns, na China, por exemplo, o ensino de IA está
sendo aplicado no ensino médio, antecipando a aplicação que normalmente
acontece no ensino superior (MARQUES et al., 2020; JING, 2020).
Com o objetivo de ensinar a aplicação de ML, tipicamente o ciclo
Use-Modify-Create é adotado, o qual visa que o estudante percorra todas as
etapas de aprendizado e passe por ciclos iterativos. Dessa forma, o aluno se
desenvolve e se sente mais seguro para propor e implementar seus próprios
projetos (LEE et al., 2011).
Como suporte para o desenvolvimento de modelos de ML, tipicamente
ambientes visuais são adotados como por exemplo Google Teachable Machine
(GOOGLE, 2021) que facilitam a visualização e a execução de códigos na nuvem.
Poucos cursos também usam ambientes mais convencionais como Jupyter
Notebooks (TECH GIRLZ, 2020). O Jupyter é um notebook de código aberto que
oferece uma abordagem interativa, sendo capaz de mesclar textos com códigos de
programas funcionais de diversas linguagens de programação textuais como
Python (O'Hara et al., 2015). Usando Jupyter notebooks, a execução dos
notebooks e inclusive o treinamento dos modelos de ML pode ser feito via GPU da
plataforma do Google, utilizando Google Colab, um serviço em nuvem que fornece
ambientes com notebooks Jupyter gratuitos, abstraindo a necessidade de
configuração da máquina e evitando problemas relativos à potência do computador
(MARK e HOOVER, 2020).
Portanto, observando importância da tarefa de detecção de objetos no mundo
atual, a falta de cursos voltados ao ensino de ML para detecção de objetos no
ensino médio em escolas brasileiras e a relevância do tema na atualidade, este
projeto tem como proposta o desenvolvimento de uma unidade instrucional para
ensino de Machine Learning para a tarefa de detecção de objetos no nível use do
ciclo de aprendizagem use-modify-create, adotando um ambiente convencional de
desenvolvimento.

1.2 OBJETIVOS

Objetivo geral

O objetivo geral deste trabalho é o desenvolvimento de um curso online para o

ensino de Machine Learning (ML) na educação básica brasileira no nível do ensino
médio. Este curso visa ensinar o desenvolvimento de aplicativos inteligentes
voltados à detecção de objetos no nível use do ciclo de aprendizagem
use-modify-create utilizando o ambiente visual ODIN dentro de Jupyter/Colab.

Objetivos específicos

Os objetivos específicos deste trabalho são:

O1. Sintetizar a fundamentação teórica relativa ao ensino de ML na educação
básica, Machine Learning e o desenvolvimento de aplicações inteligentes.
O2. Levantar o estado da arte em relação a unidades instrucionais similares.
O3. Analisar o contexto e definir o design instrucional da unidade instrucional.
O4. Desenvolver o material didático para a unidade instrucional.

1.3 METODOLOGIA DE PESQUISA E TRABALHO

A fim de alcançar os resultados esperados com este trabalho, é adotada uma

combinação de metodologias de pesquisa de acordo com o respectivo objetivo a ser
buscado. Então, de acordo com os objetivos específicos do projeto são adotadas
etapas da seguinte forma:

Etapa 1 – Síntese da literatura para fundamentação teórica: Nesta etapa é

realizado a análise e síntese da literatura referente ao ensino de Machine Learning
na educação básica, assim como o desenvolvimento de apps com App Inventor.
Este estudo é feito por meio de uma análise e síntese da literatura.
Atividade 1.1: Sintetizar conceitos de Machine Learning voltado a detecção de
objetos;
Atividade 1.2: Sintetizar conceitos de ensino de Machine Learning na educação
básica;

Etapa 2 - Levantamento do estado da arte: Levantamento sobre trabalhos

existentes relacionados à área do projeto. Foi realizado um estudo de mapeamento
sistemático seguindo o processo proposto por Petersen, Vakkalanka e Kuzniarz
(2015) para identificar e analisar unidades instrucionais sendo utilizadas e voltadas
ao ensino de ML em escolas.
Atividade 2.1: Definir o protocolo de busca;
Atividade 2.2: Executar a busca;
Atividade 2.3: Extrair e analisar as informações.

Etapa 3 - Design do curso: Engloba toda a parte de planejamento e design do

curso a ser realizada. A definição do design do curso, segue a metodologia de
design instrucional ADDIE (BRANCH, 2009).

Atividade 3.1: Analisar o contexto em termos de necessidades, perfil dos aprendizes

e instrutores e de ambiente em escolas brasileiras.
Atividade 3.2: Definir e sequenciar o conteúdo do curso e definir uma estratégia
instrucional, criando o plano de ensino.

Etapa 4 - Desenvolvimento do curso: Nesta etapa é realizado o desenvolvimento

de todo o material didático para a aplicação do curso.

Atividade 4.1: Desenvolver o material interativo de apresentação e exercício.

Atividade 4.2: Desenvolver avaliações do desempenho da aprendizagem do aluno.

2 FUNDAMENTAÇÃO TEÓRICA

2.1 MACHINE LEARNING VOLTADO A DETECÇÃO DE OBJETOS

2.1.1 MACHINE LEARNING

A Inteligência Artificial se refere à uma área de ciência da computação, que

possui como objetivo criar soluções inteligentes, executando tarefas que requerem
inteligência artificial humana por meio de regras e algoritmos (JAKHAR e KAUR,
2020). Por conta de sua multidisciplinaridade e constante evolução, se torna
complexo o entendimento da área de IA e a sua definição, assim, ela pode ser
conceituada como um termo genérico de tudo o que engloba a computação
relacionada a inteligência humana, Machine Learning e Deep Learning (Figura 1)
(LIU et. al, 2018; JAKHAR e KAUR, 2020).
 Figura 1: IA, ML e DL sub categorizados em camadas (JAKHAR e KAUR, 2020)

O Machine Learning (ML), um segmento subjacente da IA, permite que as

máquinas extraiam informações e aprendam a tomar decisões a partir de dados e
exemplos (DEISENROTH, FAISAL e ONG, 2020; JAKHAR e KAUR, 2020). O ML
surgiu como uma opção para desenvolver softwares para visão computacional,
reconhecimento de voz, processamento de linguagem natural, detecção de padrões,
entre outras possibilidades. A característica da tecnologia que define o aprendizado,
se baseia no fato de que os algoritmos do ML tentam minimizar a quantidade de
erros e aumentar a probabilidade de suas previsões serem verdadeiras (JAKHAR e
KAUR, 2020). Sua habilidade de se modificar constantemente, quando exposto a
mais dados, torna o desenvolvimento de alguns tipos de aplicações mais eficientes
(JORDAN e MITCHELL, 2015; JAKHAR e KAUR, 2020).
O Deep Learning (DL) é um subconjunto do ML, que utiliza redes neurais que
simulam o cérebro humano e processam dados para produzir conhecimento por
meio de assimilação (PACHECO e PEREIRA, 2018). Isso permite o aprendizado de
representações de dados com vários níveis de abstração utilizando modelos
computacionais compostos por várias camadas de processamento (LECUN et al,
2015). O termo “Deep” faz referência ao número de camadas em uma Artificial
Neural Network (ANN). Existem três tipos de camada: a camada de entrada (recebe
os dados de entrada), de saída (produz o resultado do processamento de dados) e a
oculta ou intermediária (extrai os padrões dentro dos dados) (JAKHAR e KAUR,
2020). Esses métodos de processamento mais poderosos evoluíram o estado da
arte em relação a tarefas de reconhecimento de imagens, áudio, detecção de
objetos, processamento de linguagem natural, dentre outros domínios (LECUN et al.,
2015).
É possível distinguir os modelos de ML por tipo de aprendizagem utilizada.
Existem alguns tipos de algoritmos de aprendizagem, como a aprendizagem
supervisionada, que utiliza um conjunto de dados rotulados para o treinamento da
máquina (DEY, 2016). Dado um conjunto de dados, é feita uma distribuição para
definir os dados que serão aplicados para o treinamento e para os testes
(AYODELE, 2010). O objetivo desse aprendizado é que dado um objeto de entrada,
o modelo consiga prever o valor resultante após ser exposto a diversos exemplos.
Outro exemplo de tipo algoritmo de aprendizado é o não supervisionado, que
diferente do supervisionado, não utiliza rótulos nos dados de entrada e tem como
objetivo distinguir características em uma coleção de dados (AYODELE, 2010;
RUSSEL e NORVIG, 2013). Esse tipo de algoritmo é muito utilizado em clustering,
em que objetos com características semelhantes são agrupados no mesmo cluster
(DEY, 2016).

2.1.2 TIPOS DE MODELOS DE REDES NEURAIS

Um dos principais tipos de modelos de redes neurais é o Convolutional Neural

Network (CNN), muito utilizado em aplicações de processamento de imagens. Sua
estrutura permite reconhecer padrões por meio da convolução de imagens, ou seja,
a imagem original passa por filtros que a transformam por meio de combinações
lineares dos pixels, e devido aos pesos que são estabelecidos nos filtros, é possível
detectar características da imagem (PACHECO e PEREIRA, 2018).
Um dos objetivos no desenvolvimento das redes convolucionais é melhorar o
desempenho e a estabilidade no reconhecimento de objetos (DU, 2018). Dessa
maneira, ao decorrer do tempo, surgiram propostas que aprimoraram as CNNs. Um
exemplo é o Region Based Convolutional Neural Network (R-CNN) que faz uma
busca seletiva na imagem, com o objetivo de extrair diversas regiões com grande
potencial de conter objetos (CHANG, 2020). Cada região é ajustada para ter um
tamanho fixo. Após isso, passam por uma grande CNN treinada que computa as
características de cada região proposta (GIRSHICK, 2014). Por fim é feita a
classificação da região para definir a classe do objeto (CHENG, 2020; DU, 2018).
 Figura 2: Etapas para detecção de objetos com R-CNN (GIRSHICK, 2014)

Uma das desvantagens do R-CNN é o alto consumo computacional para

gerar as regiões propostas. Com o propósito de aprimorar os pontos negativos,
houveram outras evoluções no grupo das redes convolucionais, como o Fast R-CNN
e o Faster R-CNN, que aumentaram o nível de eficiência, otimização e acurácia das
detecções (CHENG, 2020).
Um dos principais métodos de detecção de objetos atualmente é o You Only
Live Once (YOLO). Essa técnica necessita de apenas uma avaliação da imagem
para enviar para rede neural, diferente de outros algoritmos como R-CNN e Faster
CNN, que precisam de múltiplas execuções do classificador em partições da
imagem (AL-MASNI et al., 2018; REDMON, 2016). A imagem de entrada é
redimensionada para uma proporção de 448 x 448 e uma única rede neural define
as bounding-boxes, após isso, as regiões propostas passam pelo Non-max
suppression, uma técnica que filtra as caixas que tem a maior possibilidade de
conter objetos, e por fim retorna a probabilidade da classe dos objetos (REDMON,
2016).

Figura 3: Sistema de detecção YOLO (REDMON, 2016)

 A imagem é dividida em um grid S x S. Caso o centro de um objeto esteja em
uma célula, a mesma é responsável por detectar aquele objeto. Cada bounding-box
tem os valores x, y, w, h e a confiança, onde x e y representam as coordenadas em
relação ao centro da célula, w e h a altura e largura da caixa relativo à imagem
inteira e a confiança que define se há um objeto detectado (REDMON, 2016).
Em comparação com outros algoritmos de detecção de objetos, o YOLO
fornece uma grande velocidade em tempo real e extrema precisão. Assim, ele é
fortemente recomendado para aplicações que necessitam de um desempenho
robusto e rápido (DU, 2018; REDMON, 2016).
Da mesma maneira que a família CNN evoluiu, existem algumas versões do
YOLO que implementaram melhorias ao longo do tempo. Na segunda versão do
YOLO (YOLOv2), houve um aumento da velocidade e precisão na detecção de
objetos, incrementando também o nível de acurácia para reconhecer objetos
menores (REDMON e FARHADI, 2017). Posteriormente, em 2018, foi lançado o
YOLOv3, que consegue ser até 3 vezes mais rápido que o Single Shot Multi-box
Detector (SSD), um método similar ao YOLO visto que só necessita de uma rede
neural (LIU et al., 2016). Nesta versão também foram adicionadas melhorias no
treinamento e na detecção de imagens pequenas (REDMON e FARHADI, 2018).
Uma versão do YOLOv3, com a profundidade da camada convolucional
reduzida, foi denominada YOLO v3-tiny. Nesta versão, a execução da detecção
acontece de forma mais veloz, cerca de 442% a mais que as outras versões do
YOLO, porém com uma acurácia reduzida (ADARSH et al., 2020).
O YOLOv4 demonstrou ter um maior desempenho do que diversos detectores
de objetos de última geração. Em relação ao YOLOv3, há uma melhoria de 10% no
AP (Average Precision) e 12% no FPS (Frames Per Second) (BOCHKOVSKIY et al.,
2020). Com a nova versão, é possível treinar modelos rápidos e eficientes com uma
GPU mais comum, permitindo que qualquer pessoa treine detectores de objetos
potentes.
A versão mais recente do YOLO, o YOLOv5, apresenta uma nova estrutura
de implantação utilizando o PyTorch, facilitando a exportação do modelo para
dispositivos móveis, utilizando os formatos ONNX e CoreML (YOLOv5, 2022).
Relativo ao treinamento, os modelos do YOLOv5 apresentaram menor tempo de
duração nos treinamentos. A nova versão disponibiliza cinco tipos de modelos
(Figura 4) que possibilita a criação desde modelos leves até os mais robustos.
 Figura 4: Modelos do YOLOv5 (YOLOv5, 2022)

2.1.3 PROCESSO DE DESENVOLVIMENTO DE SISTEMAS DE DEEP LEARNING

Diferente do processo tradicional de desenvolvimento de sistemas de

software, o processo de ML tem suas particularidades (AMERSHI et al., 2019). É
necessário coletar e limpar um conjunto de dados, determinar o processo de
treinamento, podendo utilizar também modelos pré-treinados, e por fim avaliar o
desempenho do modelo (AMERSHI et al., 2019).
Análise de requisitos. Na fase de análise de requisitos para a criação de um
modelo DL para detecção de objetos, são especificados os objetivos e resultados
esperados do modelo de ML. Dessa maneira, é possível definir os tipos de modelos
e tipos de aprendizado coerentes para o problema.
Preparação de dados. No aprendizado de máquina é essencial ter um
conjunto de dados de qualidade que permita fazer o treinamento e a validação do
seu modelo. Atualmente existem diversos conjuntos de dados de larga escala
disponíveis ao público que são utilizados para treinamento e benchmark de modelos
de ML. No caso de detecção de objetos existem exemplos como o PASCAL VOC,
ImageNet e MS-COCO (ZOU et al., 2019). Os conjuntos de dados também são
criados especificamente para um modelo de ML. Esses dados podem ser textos,
imagens, vídeos, áudios, dentre outros formatos possíveis. No caso de imagens, é
importante o conjunto de dados ter uma quantidade equilibrada de imagens por
classe (SHAHINFAR, 2020). É muito importante também, a limpeza dos dados para
garantir que estão consistentes, identificação e remoção de dados irrelevantes ou
redundantes, caso contrário, isso irá refletir diretamente no modelo gerado
(AYODELE, 2010).
Rotulação dos dados. Os dados são rotulados com o objetivo de ser
identificado por meio dessa informação (AMERSHI, 2020). No caso de detecção de
objetos esse processo envolve também criar as bounding boxes de um ou mais
objetos em uma imagem.
Após a preparação de dados, é preciso separá-los em dados de treinamento
e teste, para que uma parte dos dados seja utilizada para treinar o modelo e outra
para avaliar seu desempenho.
Treinamento do modelo. Para reduzir o tempo de treinamento de uma rede
neural, pode-se utilizar os pesos de um modelo pré-treinado. Isso é possível
aplicando o transfer learning, uma técnica que consiste em utilizar recursos
aprendidos de um modelo de DL e aplicá-los em um problema semelhante (KERAS,
2020). Esse processo consiste em utilizar camadas já treinadas, congelá-las para
evitar obstrução durante o novo treinamento e depois adicionar novas camadas
treináveis. Durante o treinamento do modelo, são utilizados hiperparâmetros como
taxa de aprendizado, tamanho do modelo para otimizar os resultados do modelo
(Amazon, 2019).
Um passo opcional que pode aprimorar o modelo é utilizar o fine-tuning, que
descongela o modelo gerado pelo transfer learning e treina novamente usando uma
taxa de aprendizado muito baixa (KERAS, 2020).
Avaliação do desempenho. O modelo treinado é avaliado em relação a seu
desempenho. Esta avaliação depois do treinamento pode incluir também o teste em
relação a dados nunca vistos antes para estimar o erro de generalização
(RASCHKA, 2015). No caso de detectores de objetos, há diversas métricas
tipicamente utilizadas para avaliar o desempenho, como por exemplo o IoU
(Intersection over Union) que é utilizado para medir a acurácia da localização do
objeto (ZOU et al., 2019). Outra métrica utilizada é o Average Precision (AP), que
avalia tipicamente uma única categoria específica e é definido como a precisão
média de detecção de diversos recalls (ZOU et al., 2019). Para metrificar a
performance geral do modelo, é utilizado o Mean Average Precision (mAP), que é a
média do AP sobre todas as categorias do modelo (ZOU et al., 2019).
Predição. Uma vez treinado o modelo de ML, ele pode ser utilizado para
predizer resultados para novos dados (RASCHKA, 2015).
 Implantação. Ao final, o modelo pode ser exportado, por exemplo, usando
padrões como ONNX (https://onnx.ai/). Assim, criando a possibilidade de ser
implantado em um sistema de software, como sistema web ou aplicativo móvel.

2.1.4 DESENVOLVIMENTO DE MACHINE LEARNING COM JUPYTER

NOTEBOOKS

Em sistemas que necessitam alto desempenho computacional, como Big

Data e Deep Learning, é necessário equipamentos profissionais que consigam lidar
com grande volume de dados. Também, é exigido uma alta capacidade gráfica
(GPU) para executar cálculos de forma rápida (PRASHANTH, 2021). Dessa
maneira, o Jupyter se tornou uma ferramenta muito utilizada para ensino,
documentação, repositório de códigos e visualização de dados. O Jupyter notebook
(https://jupyter.org/) é uma ferramenta que abstrai grande parte da configuração de
ambiente e pode executar programas em plataforma na nuvem, evitando a
necessidade de computadores potentes.
O Jupyter é uma ferramenta gratuita e de código aberto, conhecido como
notebook computacional, e ele permite que os usuários combinem códigos de
programação, saídas computacionais, textos explicativos e mídias de diversos
formatos em um único documento (PERKEL, 2018). É legível por máquinas e seres
humanos, facilitando a junção do ensino teórico e prático (RANDLES et al., 2017). É
capaz de executar códigos de diversas linguagens de programação, como por
exemplo Python, Julia e R.
O Jupyter notebook contém dois componentes, o primeiro que é a interface
que recebe os dados de entrada, sejam eles códigos ou texto, em campos no
front-end no formato de células. O segundo componente é o backend, que recebe
esse código enviado pelo browser e executa no kernel específico daquela linguagem
e depois retorna o resultado para a interface (PERKEL, 2018). Os notebooks
também podem rodar em plataformas na nuvem, como por exemplo o Google
Collaboratory que fornece uma instância da interface do Jupyter, porém utilizando os
recursos computacionais da máquina do Google (GOOGLE, 2021). Essa modalidade
é muito utilizada quando se está desenvolvendo um modelo de ML, pois máquinas
comuns não conseguem lidar com treinamentos com grande volume de dados.
 Figura 5: Exemplo de documento Jupyter rodando código em Python no ambiente do Google Colab

O ODIN é uma interface visual para desenvolvimento de modelos de

detecção de objetos desenvolvida utilizando o Jupyter Notebook (Figura 6). A
ferramenta visa popularizar e democratizar o acesso a ML/IA, utilizando o ambiente
do Google Colab para oferecer a utilização gratuita de recursos computacionais
utilizando o navegador (SANTANA, 2022). A ferramenta foi desenvolvida utilizando
Python (https://www.python.org/) e a biblioteca Jupyter Widgets (IPYWIDGETS,
2022).
 Figura 6: Interface inicial da etapa de análise de requisitos no ODIN

O objetivo do ODIN é facilitar o aprendizado dos conceitos de ML/IA,

apresentando uma interface visual para que o aluno aprenda na prática o processo
de desenvolvimento de um modelo de detecção de objetos. São contempladas
interfaces para as etapas de análise de requisitos, preparação de dados,
treinamento do modelo, avaliação de desempenho, predição e exportação.
Para a etapa de preparação de dados, espera-se a importação de um
conjunto de dados rotulados por meio da ferramenta Roboflow
(https://app.roboflow.com/). A importação desses dados é feita com a integração do
Google Drive.
Na etapa de treinamento, a ferramenta disponibiliza os hiperparâmetros
necessários para o treinamento de um modelo utilizando o YOLOv5. O usuário pode
alterar o tamanho do batch, das imagens, quantidade de épocas e escolher o tipo de
modelo do YOLOv5. A Figura 7 apresenta a interface da seção de treinamento.

Figura 7: Interface da etapa de treinamento do modelo no ODIN

2.2 ENSINO DE MACHINE LEARNING NA EDUCAÇÃO BÁSICA

Os alunos de hoje são a primeira geração que cresce em um mundo coberto

de inteligência artificial. Introduzir o ensino de Machine Learning nas escolas permite
que as crianças se tornem usuários inteligentes da tecnologia da computação e
tenham ciência sobre seus impactos, riscos e limitações (DENNING e TEDRE,
2019). Existem diversos motivos para ensinar ML para jovens, como por exemplo a
motivação e capacitação para criar artefatos inteligentes, estimulação da
criatividade, aprender sobre percepção, raciocínio, psicologia e comportamento
durante o processo de desenvolvimento de aplicações (KAHN e WINTERS, 2018;
TOURETZKY, 2019).
Segundo um estudo feito pela Tencent Research Institute em 2017, há
somente 300.000 pesquisadores e praticantes de IA no mundo, porém a demanda
do mercado necessita de milhões (VINCENT, 2017). Essa falta de profissionais no
mercado também é um dos principais motivos pelos quais o ensino de IA e ML na
educação básica é fortemente considerado, gerando assim, discussões em relação
ao que deve ser ensinado para os jovens (WONG et al., 2020).
 No Brasil, o currículo escolar é definido pela Base Nacional Comum Curricular
(BNCC), um documento que estabelece conhecimentos, competências e habilidades
esperadas que os alunos desenvolvam ao longo do ensino fundamental e médio
(MEC, 2021). O currículo do ensino médio brasileiro é composto pela BNCC em
conjunto dos itinerários formativos, substituindo um modelo único de currículo por
um mais diversificado e flexível (BRASIL, 2017). O itinerário formativo é formado
pelos seguintes temas:
i – linguagens e suas tecnologias;
ii – matemática e suas tecnologias;
iii – ciências da natureza e suas tecnologias;
iv – ciências humanas e sociais aplicadas;
v – formação técnica e profissional
Complementando os itinerários formativos, existem os itinerários integrados,
que permite que os alunos foquem em alguma área de conhecimento, na formação
técnica e profissional ou, também, em competências e habilidades de diferentes
áreas (BRASIL, 2017). A Inteligência Artificial é citada no itinerário integrado dentro
da área de matemática e suas tecnologias:
II – matemática e suas tecnologias: aprofundamento de conhecimentos
estruturantes para aplicação de diferentes conceitos matemáticos em
contextos sociais e de trabalho, estruturando arranjos curriculares que
permitam estudos em resolução de problemas e análises complexas,
funcionais e não-lineares, análise de dados estatísticos e probabilidade,
geometria e topologia, robótica, automação, inteligência artificial,
programação, jogos digitais, sistemas dinâmicos, dentre outros,
considerando o contexto local e as possibilidades de oferta pelos sistemas
de ensino (BRASIL, 2017, p. 477);

No contexto da computação, a Sociedade Brasileira de Computação (SBC)

propõe uma diretriz focada em ensino de computação, sendo dividido em três eixos
(Figura 8): Pensamento Computacional, Mundo Digital e Cultura Digital (SBC, 2018).
A diretriz aborda a IA e robótica como um objeto de estudo, unindo conceitos do eixo
de pensamento computacional e mundo digital, mas considera somente a
compreensão dos fundamentos, provendo questões éticas e discussões sobre
homem-máquina (SBC, 2018).
 Figura 8: Conceitos de Computação no Ensino Médio (SBC, 2018)

Um exemplo de diretriz curricular que vem sendo aplicada em diversos países

(FALKNER et. al, 2019) é o K-12 Computer Science Standards, um guia para ser
utilizado por especialistas e educadores com o intuito de desenvolver currículos de
ensino de computação (CSTA, 2016). Entretanto, o guia cita brevemente o tema de
IA somente para alunos do ensino médio (CSTA, 2017).
Com o objetivo de definir um padrão de ensino de IA para educação básica,
professores e pesquisadores da Advancement of Artificial Intelligence (AAAI) e da
Computer Science Teachers Association (CSTA) se uniram para desenvolver
diretrizes curriculares para ensinar IA para alunos do ensino fundamental e médio
(TOURETZKY, 2019a). Essas diretrizes são baseadas nos padrões de ensino da
CSTA. A iniciativa AI4K12 divide os temas em 5 grandes ideias sobre o que as
crianças devem saber sobre IA e são organizadas entre faixas de grau escolar. As
grandes ideias são definidas como (TOURETZKY et al., 2019b):
1. Percepção: Percepção é o processo de extrair informações de sinais
sensoriais. Os alunos devem compreender que a percepção da máquina
sobre falas e imagens, requerem um conhecimento extenso sobre o domínio.
2. Representação e raciocínio: Agentes mantêm modelos e representações do
mundo e os usam para raciocinar. Os alunos devem entender o conceito de
representação, compreender que os computadores usam dados para
 construí-las e que elas podem ser manipuladas pela aplicação de algoritmos
de raciocínio que derivam novas informações do que já é conhecido.
3. Aprendizado: Computadores podem aprender através de dados. Os alunos
devem entender que Machine Learning é um tipo de inferência estatística que
encontra padrões nos dados.
4. Interação natural: Fazer agentes inteligentes interagir naturalmente com
humanos é um grande desafio para a IA. Os alunos devem entender que os
sistemas de IA de hoje podem usar a linguagem de forma limitada, mas
carecem do raciocínio geral e das capacidades de conversação até mesmo de
uma criança.
5. Impacto social: A IA pode impactar na sociedade de forma positiva ou
negativa. Os alunos devem ser capazes de identificar as formas pelas quais a
IA está contribuindo para suas vidas, bem como se a construção ética dos
sistemas de IA requer atenção às questões de transparência e justiça.

Com base na terceira grande ideia, se prevê alguns conceitos de ML que

devem ser apresentados durante o ensino de alunos do ensino fundamental e médio
(AI4K12, 2020):
● O que é aprendizagem;
● Abordagens para Machine Learning (algoritmos de regressão, algoritmos
baseados em instância, máquinas de vetores de suporte, algoritmos de árvore
de decisão, algoritmos Bayesianos, algoritmos de agrupamento, algoritmos de
rede neural artificial);
● Tipos de algoritmos de aprendizado para cada tipo de aprendizagem;
● Fundamentos de redes neurais;
● Tipo de arquitetura de redes neurais;
● Como os dados de treinamento influenciam na aprendizagem;
● Limitações do Machine Learning;

A Tabela 1 apresenta os objetivos de aprendizagem da ideia 3 referente ao

Machine Learning com detalhes.
 Tabela 1: Objetivos de aprendizagem da ideia #3. (SALVADOR et al., 2021a) a partir de
(TOURETZKY et al., 2019)

Conceito 3-5 ano escolar (EUA) 6-8 ano escolar (EUA) 9-12 ano escolar (EUA)

Anos iniciais do Anos finais do Ensino Ensino Médio

Ensino Fundamental Fundamental

Natureza de Humano vs. Diferenciar entre como Contrastar as Definir aprendizagem

Aprendizagem máquinas pessoas e características únicas do supervisionada, não
computadores aprendem aprendizado humano e supervisionada e por
das maneiras que reforço e dar
máquinas operam exemplos de
aprendizagem humana
similares a cada
algoritmo

Achando Modelar como Modelar como Modelar como ML

padrões em aprendizagem aprendizagem constrói um raciocinador
dados supervisionada identifica supervisionada identifica para classificação ou
padrões em padrões em predição ajustando
dados rotulados dados rotulados os parâmetros do
raciocinador (suas
interpretações internas)

Treinando um Treinar um modelo de Treinar e avaliar um Usar um algoritmo de

modelo classificação usando modelo de aprendizagem
machine learning, e classificação ou supervisionada ou não
então examinar a predição usando supervisionada
precisão do mesmo com machine para treinar um modelo
entradas novas learning em um conjunto com dados reais e
de dados tabular avaliar os resultados

Construir vs. Demonstrar como dados Explicar a diferença Ilustrar o que acontece
usar um de treino são entre treinar e usar um em cada etapa
raciocinador rotulados quando se usa modelo de raciocínio necessária ao usar ML
uma ferramenta para construir um
de ML classificador ou preditor

Ajustar Analisar um jogo onde Comparar como um Descrever como vários

representaçõ se constrói a árvore algoritmo de tipos de algoritmos
es de decisão, descrevendo aprendizado de árvore de ML aprendem ao
internas a organização da de decisão funciona ajustar suas
árvore e do algoritmo vs. como um algoritmo interpretações internas
usado para adicionar de aprendizado de
nós redes neurais funciona

Aprendendo Explicar como Explicar a diferença Selecionar o tipo de

por aprendizado de reforço entre aprendizado algoritmo de ML
experiência permite que um supervisionado e não apropriado (aprendizado
computador aprenda por supervisionado supervisionado,
experiência (tentativa) não supervisionado ou
por reforço) para
resolver um problema de
raciocínio

Redes neurais Estrutura de Ilustrar como uma rede Ilustrar a estrutura de Descrever as
uma rede neural de 1 a 3 uma rede neural e arquiteturas e usos das
neural neurônios é uma função descrever como suas redes
que computa uma partes formam um neurais feedforward,
saída conjunto de funções que redes convolucionais
computam uma 2D, recorrentes e
saída adversariais generativas

Ajuste de Demonstrar como pesos Demonstrar como uma Treinar uma rede neural
 peso são designados regra de multicamadas
em uma rede neural aprendizado pode ser usando o algoritmo de
para produzir o usada para ajustar aprendizagem de
comportamento os pesos em uma rede retropropagação e
desejado de entrada e neural de um nível descrever como os
saída pesos dos neurônios e
as saídas das
unidades ocultas mudam
como resultado
da aprendizagem

Conjuntos de Conjuntos de Criar um conjunto de Criar um conjunto de Comparar dois conjuntos

dados característica dados rotulado com dados para treinar um de dados com dados
s features explícitas de classificador de árvore reais em termos de
diferentes tipos e usa de decisão ou features
uma ferramenta de preditor e explorar o incluídas e como estas
machine learning para impacto que features estão
treinar um classificador diferentes features têm codificadas
nestes dados na árvore de
decisão

Conjunto de Ilustrar como treinar um Ilustrar como objetos em Avaliar um conjunto de

dados classificador para um uma imagem podem ser dados usado para
grandes conceito amplo como segmentados e treinar um sistema de IA
“cachorro” requer uma rotulados para construir real considerando
grande quantidade de um conjunto de treino o tamanho do conjunto
dados para capturar a para reconhecimento de de dados, a forma
diversidade do domínio objetos com que os dados foram
adquiridos e
rotulados, o
armazenamento
necessário, e
o tempo estimado para
produzi-lo

Viés Examinar características Explicar como a escolha Investigar desequilíbrios

e rótulos de dados de dos dados de treino nos dados de
treino para detectar molda o comportamento treinamento em termos
possíveis fontes de viés do classificador, e como de gênero, idade, etnia e
esse viés pode ser outras variáveis
introduzido se o conjunto demográficas que
de treino não for podem resultar em um
balanceado modelo enviesado,
apropriadamente utilizando alguma
ferramenta de
visualização

Espera-se que alunos do ensino médio sejam capazes de treinar redes

neurais utilizando ferramentas interativas como TensorFlow Playground e que alunos
mais avançados consigam desenvolver aplicações simples de Machine Learning em
Python utilizando ferramentas como scikit-learn (TOURETZKY et al., 2019a).
Devido à falta de compreensão sobre IA no mundo atual, Long e Magerko
(2020), com o objetivo de fazer com que os usuários interajam com a tecnologia de
forma eficaz e crítica, propõem uma literatura com um conjunto de competências
necessárias e consideradas essenciais na alfabetização de IA. Na Tabela 2 é
apresentado as competências chaves definidas (LONG e MAGERKO, 2020).
 Tabela 2: Competências necessárias para AI Literacy. Traduzido de (Long; Magerko, 2020)
# Competência Descrição

1 Reconhecendo IA Distinguir entre artefatos tecnológicos que usam ou não IA

2 Entendendo Inteligência Analisar e discutir criticamente características que fazem uma entidade
“inteligente”, incluindo discutir diferenças entre humanos, animais e
inteligência de máquina

3 Interdisciplinaridade Reconhecer que existem muitos jeitos diferentes de pensar e

desenvolver máquinas “inteligentes”. Identificar uma variedade de
tecnologias que usam IA incluindo sistemas cognitivos, robótica e ML

4 Generalista vs. Diferenciar entre IA generalista e IA específica

Específico

5 Pontos Fortes e Fracos Identificar tipos de problemas que IA se sobressai e problemas que são
de IA mais difíceis para a mesma. Usar essa informação para determinar
quando é apropriado usar IA e quando usar habilidades humanas

6 Imaginar o IA do Imaginar possíveis aplicações futuras de IA e considerar os efeitos deste

Futuro tipo de aplicação no mundo.

7 Representações Entender o que representação de conhecimento é e descrever alguns

exemplos de representações de conhecimento

8 Tomada de Decisão Reconhecer e descrever exemplos de como computadores raciocinam e

fazem decisões

9 Passos de ML Entender os passos envolvidos em Machine Learning e as práticas e

desafios de cada passo

10 Papel Humano na IA Reconhecer que humanos fazem um papel importante na programação,

escolha de modelos e no refinamento de sistemas de IA

11 Alfabetização em Dados Reconhecer que computadores geralmente aprendem a partir dos dados

12 Aprender pelos Dados Entender que dados não podem ser tomados por si só, e requerem
interpretação. Descrever como os exemplos de treino dados em um
conjunto de dados inicial podem afetar o resultado de um algoritmo

13 Interpretar Entender que dados não podem ser tomados por si só, e requerem
Criticamente os interpretação. Descrever como os exemplos de treino dados em um
Dados conjunto de dados inicial podem afetar o resultado de um algoritmo

14 Ação e Reação Entender que alguns sistemas de IA têm a habilidade de fisicamente agir
no mundo. Essa ação pode ser direcionada por raciocínio de alto nível
(como andar em um caminho planejado) ou pode ser reativo (pular para
trás para evitar um obstáculo percebido)

15 Sensores Entender o que sensores são, reconhecer que sensores percebem o

mundo usando sensores, e identificar sensores em uma variedade de
dispositivos. Reconhecer que diferentes sensores suportam diferentes
tipos de representação e raciocínio sobre o mundo.

16 Ética Identificar e descrever diferentes perspectivas nos problemas éticos

chave acerca de IA (privacidade, singularidade, tomadas de decisões
éticas, etc.)

17 Programabilidade Compreender que agentes são programáveis.

 Baseado nessas diretrizes curriculares, são criadas unidades instrucionais
(UI) para instruir os estudantes por meio de cursos, oficinas, dentre outros formatos.
Existem diversas unidades instrucionais com o objetivo de ensinar ML, normalmente
nos formatos de desafios, tutoriais, cursos, workshops e atividades (MARQUES,
2020). A maioria das unidades instrucionais focam em demonstrar na prática
aplicações do ML, enquanto outras também levam os alunos a desenvolver modelos
de ML, percorrendo pelo processo de criação e abordando todas as fases ou só uma
parte (gerenciamento de dados, treinamento do modelo, avaliação, predição,
exportação) (MARQUES, 2020).
Embora haja diversas unidades instrucionais ensinando ML, poucas incluem o
processo de implantação dos modelos de ML criados (MARQUES, 2020).
Considerando que neste nível educacional são ensinados conceitos de computação,
tipicamente por meio de desenvolvimento de jogos e apps usando ambientes de
programação baseado em blocos, uma alternativa é implantar os modelos criados
pelos alunos em aplicativos móveis utilizando App Inventor (MIT, 2021). Essa
ferramenta fornece extensões para o desenvolvimento de ML, para exportar os
modelos e fazer a etapa de implantação criando apps. Esse método é utilizado em
alguns cursos de classificador de imagens1 e áudio2 do MIT.
Tipicamente conceitos de computação e de IA/ML são ensinados usando
metodologias ativas. Dentro da educação básica tipicamente se adota o ciclo de
aprendizagem Use-Modify-Create, que propõe um ciclo de progresso, conforme a
Figura 9, para engajar os alunos e por meio de iterações, desenvolver suas
habilidades, conhecimentos e sua confiança (LEE et. al, 2011). O ciclo abrange 3
estágios: de uso (Use), em que o aluno é usuário de alguma criação, no caso do ML
o aluno interage com algum modelo; modificação (Modify), ele modifica um modelo
alterando seus conjuntos de dados ou ajustando o treinamento; criação (Create),
nesse estágio o aluno já desenvolveu suas habilidades, confiança e está apto a
propor soluções para problemas e implementar seus próprios projetos (LEE et. al,
2011).

1
https://appinventor.mit.edu/explore/resources/ai/personal-image-classifier
2
https://appinventor.mit.edu/explore/resources/ai/personal-audio-classifier
 Figura 9: Ciclo de progresso Use-Modify-Create (LEE et al., 2011)

Avaliar a aprendizagem significa determinar as competências adquiridas por

meio de aspectos quantitativos e qualitativos do comportamento humano
(ZEFERINO e PASSERI, 2007). A avaliação é importante no processo de
aprendizagem, pois permite entender dificuldades e problemas no ensino
(GALOCHA et al., 2017), acompanhar o progresso do aluno e incentivar o estudo.
Na perspectiva do orientador, a avaliação ajuda a entender a efetividade da
condução do ensino, sendo possível aperfeiçoar o processo ou replanejar o trabalho
se necessário (HEYDT, 2011). A avaliação é orientada pelos objetivos de ensino
estabelecidos. Dessa maneira, é possível avaliar o progresso do aluno em função
dos objetivos propostos. A avaliação exerce um papel de feedback para o aluno,
permitindo conhecer seus avanços e dificuldades (HEYDT, 2011). Segundo Zeferino
et al. (2007), "feedback refere-se à informação dada ao aluno que descreve e
discute seu desempenho em determinada situação ou atividade". O feedback deve
ser utilizado como uma ferramenta de retorno constante e contínuo, não somente
durante provas ou testes (FILATRO, 2008 apud. DAROS e PRADO, 2015).
Existem três diferentes formas fundamentais de avaliação: diagnóstica,
formativa e somativa (Tabela 3).

Tabela 3: Formas de avaliação (ZEFERINO e PASSERI, 2007)

Forma de avaliação Objetivo

Diagnóstica É aplicada no início do curso, visando constatar se os alunos

possuem os conhecimentos básicos e necessários para novas
aprendizagens.

Formativa É aplicada no decorrer do curso, com o objetivo de verificar o

progresso dos alunos a cada etapa do processo de aprendizagem.

Somativa Aplicada no final do curso, com o objetivo de identificar se o aluno

 adquiriu as competências necessárias para prosseguir para a
próxima etapa do processo de aprendizagem.

Existem diversos tipos de avaliação como por exemplo provas, que podem
ser formuladas utilizando questões dissertativas e discursivas, dentre outros
(ZEFERINO e PASSERI, 2007). Em ambientes não presenciais, é comum ser
utilizado quizzes e questionários de múltipla escolha, redações, exercícios, entre
outros.
No contexto de tarefas abertas, como o desenvolvimento de modelos de ML,
é utilizado tipicamente a avaliação de desempenho, que avalia a aprendizagem de
acordo com o desempenho da aplicação criada pelo aluno. Essa avaliação pode ser
feita por meio de rubricas, uma ferramenta de pontuação que define expectativa
para uma determinada tarefa. As rubricas são projetadas tipicamente em um formato
de grade, dividindo uma tarefa em componentes, e fornece descrições detalhadas
do que consiste em um nível aceitável ou inaceitável de desempenho para cada
componente (STEVENS e LEVI, 2005). As rubricas são essencialmente compostas
por quatro elementos (STEVENS e LEVI, 2005): descrição da tarefa; escala, usada
para descrever a performance da tarefa realizada; dimensões, as habilidades e
conhecimentos que são avaliados; descrição dos diferentes níveis de desempenho
para cada dimensão.
Um exemplo de uma rubrica para avaliar a aprendizagem de desenvolvimento
de modelos de detecção de objetos é apresentado por Pereira (2022). A rubrica foi
construída com base no Evidence-Centered Design (ECD), uma metodologia para
projetar avaliações que visa assegurar que as evidências coletadas e interpretadas
sejam consistentes com o que a rubrica planeja avaliar (MISLEVY et al., 2003 apud.
PEREIRA, 2022). A avaliação de aprendizagem é automatizada e integrada com o
Jupyter Notebook, possibilitando que o aluno preencha informações sobre o
processo de criação do modelo e receba o feedback sobre a sua performance. O
feedback é retornado de forma amigável, utilizando ilustrações para apresentar
visualmente seus resultados (PEREIRA, 2022).
A autoavaliação do estudante também é uma técnica que agrega a
aprendizagem. Ela deve ser praticada durante todo o curso, estimulando o
pensamento crítico e permitindo que o aluno identifique suas dificuldades para
buscar orientação (ZEFERINO e PASSERI, 2007).
3 ESTADO DA ARTE

Neste capítulo é apresentado o estado da arte atual de abordagens de

avaliação de aprendizagem de Machine Learning no contexto do Ensino Médio. Para
isto, é realizado um mapeamento sistemático da literatura seguindo o processo
proposto por Petersen et al. (2008).

3.1 DEFINIÇÃO DO PROTOCOLO DE BUSCA

O mapeamento sistemático da literatura visa identificar, classificar e

interpretar pesquisas disponíveis por meio de critérios de qualificação claros e
reproduzíveis em relação ao tema deste trabalho (PETERSEN et al., 2008). A
pergunta de pesquisa que este mapeamento procura responder é: Quais são as
características das unidades instrucionais que ensinam Machine Learning com
foco em detecção de objetos para alunos do Ensino Médio? Esta questão de
pesquisa é refinada nas seguintes perguntas de análise:

PA1: Quais unidades instrucionais voltadas ao ensino de Machine Learning no

Ensino Médio ensinam detecção de objetos?
PA2: Quais competências em relação à detecção objetos são ensinadas na unidade
instrucional?
PA3: Quais são as características instrucionais da unidade instrucional?
PA4: Como as unidades instrucionais foram desenvolvidas e como a qualidade das
unidades instrucionais foram avaliadas?

Bases de dados: São consideradas como fonte de pesquisa os artigos

indexados pelas ferramentas digitais da área: Scopus, IEEE Xplore, ACM,
SpringerLink, ScienceDirect, arXiv, SocArXiv e Google Scholar. Além disso, a
pesquisa do Google foi utilizada para complementar a pesquisa, minimizando o risco
de omitir algum modelo de avaliação de aprendizagem que não foi publicado como
artigo científico (PIASECKI et al., 2018). Buscou-se também publicações no
repositório do MIT Media Lab pela atuação nesta área.
 Critérios de inclusão e exclusão: São considerados artigos na língua
inglesa cujo foco seja apresentar uma unidade instrucional de ensino de Machine
Learning com foco em detecção de objetos no contexto do Ensino Médio. A data de
publicação considerada para os artigos é de 2011 a 2021, visto que a tendência de
ensino de conceitos de ML é recente. Foram excluídos artigos com foco no ensino
de ML no Ensino Fundamental e/ou Ensino Superior ou que abordam Inteligência
Artificial sem abordar conceitos de ML. Publicações como blogs, vídeos ou outras
ferramentas que não compõem uma unidade instrucional para estudantes de Ensino
Médio e que não abrange o tema de detecção de objetos.
Critérios de qualidade: São considerados apenas artigos que apresentem
informações substanciais para se extrair referentes às perguntas de análise. São
excluídos artigos que apresentam, por exemplo, somente um resumo de uma
proposta e para os quais não são encontradas mais informações detalhadas.
Também são excluídas unidades instrucionais que possuem custo para acesso do
material completo.
Termos de busca: Com base na pergunta de pesquisa foram definidos
inicialmente os termos de busca e seus sinônimos indicados na Tabela 4.

Tabela 4: Termos de busca

Termo Sinônimos

machine learning deep learning, artificial intelligence, neural network

object detection -

education teach*, course, mooc, learn*,

school k-12, kids, children, teen*

Uma string de busca foi definida a partir dos termos de busca para aplicar nas
bases de dados.

Tabela 5: Strings de busca para cada base de dados

Base de dados String de busca
ACM [[Abstract: teach*] OR [Abstract: education] OR [Abstract: course] OR [Abstract:
learn*] OR [Abstract: mooc]] AND [[Abstract: "machine learning"] OR [Abstract:
"deep learning"] OR [Abstract: "artificial intelligence"] OR [Abstract: "neural
network"]] AND [[Abstract: school] OR [Abstract: k-12] OR [Abstract: kids] OR
[Abstract: children] OR [Abstract: teen*]] AND [Abstract: "object detection"] AND
[Publication Date: (01/01/2011 TO *)]
arXiv order: -announced_date_first; size: 50; date_range: from 2011-01-01 to
2021-12-31; classification: Computer Science (cs); include_cross_list: True; terms:
AND abstract=teach* OR education OR course OR mooc OR learn*; AND
abstract=(“machine learning” OR “deep learning” OR “artificial intelligence” OR
“neural network”); AND abstract=(“k-12” OR school* OR kids OR children OR
teen*); AND all=("object detection")
Google teach* education "object detection" "machine learning" "deep learning" school
"k-12"
Google Scholar teach* education "object detection" "machine learning" "deep learning" school
"k-12"
IEEE - command search ("Abstract":teach* OR "Abstract":education OR "Abstract":course OR
"Abstract":mooc OR "Abstract":learn*) AND ("Abstract":“machine learning” OR
"Abstract":“deep learning” OR "Abstract":“artificial intelligence” OR
"Abstract":“neural network”) AND ("Abstract":“k-12” OR "Abstract":school* OR
"Abstract":kids OR "Abstract":children OR "Abstract":teen*) AND ("Abstract":"object
detection")

Filters Applied:
2011 - 2021
MIT Media Lab -
ScienceDirect Year: 2011-2021 Title, abstract, keywords: (teach OR education OR course OR
learn) AND (“machine learning” OR “deep learning”) AND (“k-12” OR school) AND
("object detection")
Scopus ( TITLE-ABS-KEY ( teach* OR education OR course OR mooc OR learn* )
AND TITLE-ABS-KEY ( "machine learning" OR "deep learning" OR "artificial
intelligence" OR "neural network" ) AND TITLE-ABS-KEY ( "k-12" OR school*
OR kids OR children OR teen* ) AND TITLE-ABS-KEY ( "object detection" )
AND PUBYEAR = 2011 OR PUBYEAR > 2011 )
SocarXiv (teach* OR education OR course OR mooc OR learn*) (“machine learning” OR
“deep learning” OR “artificial intelligence” OR “neural network”) (“k-12” OR school*
OR kids OR children OR teen*) ("object detection")
SpringerLink (teach* OR education OR course OR mooc OR learn*) (“machine learning” OR
“deep learning” OR “artificial intelligence” OR “neural network”) (“k-12” OR school*
OR kids OR children OR teen*) ("object detection")
within Computer Science between 2011 - 2021

3.2 EXECUÇÃO DA BUSCA

A busca dos artigos foi realizada em Julho de 2021 pelo autor do presente
trabalho e revisada pela orientadora. A busca inicial resultou em 46964 artigos. A
quantidade de artigos em cada etapa do processo de seleção é apresentada na
Tabela 6.

Tabela 6: Visão geral dos resultados da pesquisa

Quantidade de
artigos Quantidade de
Quantidade de
Quantidade de artigos potencialmente artigos relevantes
Base de dados resultados
analisados relevantes com baseado no texto
encontrados
base no título e completo
resumo
ACM 10 10 0 0
IEEE Xplore 7 7 0 0
Scopus 60 60 1 0
arXiv 2 2 0 0
 SocArXiv 3.117 200 0 0
Google Scholar 6.090 200 1 1
ScienceDirect 5 5 0 0
Google 36.200 200 0 0
SpringerLink 1.388 200 0 0
MIT MediaLab 85 85 1 0
Total 46.964 969 3 1

Na primeira fase, foi analisado o título e o resumo de um total de 969 artigos,

identificando potenciais resultados que atingissem os critérios de inclusão e
exclusão definidos. Existem diversas unidades instrucionais que ensinam ML
(MARQUES et al., 2020), porém não foram encontrados muitos resultados que
abordam o tema de detecção de objetos. Propostas voltadas a outras tarefas como
classificação de imagens (TANG et al., 2019) também foram excluídas. Diversos
artigos analisados citam detecção de objetos como uma ferramenta de auxílio no
processo de aprendizado, porém não como um tema de ensino. A ferramenta criada
para demonstrar a tarefa de detecção de objetos de notas bancárias no contexto
educacional (YEH et al., 2021), também foi excluída por apresentar somente
informações do modelo de ML para essa tarefa e nenhuma informação educacional.
Após a análise do texto completo, somente 1 artigo foi considerado relevante.

3.3 EXTRAÇÃO DE INFORMAÇÕES

3.3.1 Quais unidades instrucionais voltadas ao ensino de Machine Learning no

Ensino Médio ensinam detecção de objetos?

A pesquisa resultou em somente uma unidade instrucional que ensina

competências de detecção de objetos para alunos do ensino médio (Tabela 7).
Observa-se por exemplo com base no mapeamento feito por Marques et al. (2020)
que existem diversas unidades instrucionais voltadas ao ensino médio, porém a
grande maioria não aborda a parte da aplicação do conhecimento e/ou focando em
outras tarefas de ML, principalmente classificação de imagens.

Tabela 7: Unidades instrucionais que ensinam detecção de objetos para alunos do Ensino Médio

Referência Nome da unidade Descrição Fonte

 instrucional

(ZHU, 2019) An educational Curso para apresentar aos alunos o https://dspace.mit.edu/ha

approach to machine que o ML pode fazer. E permitir que ndle/1721.1/122989
learning with mobile eles criem aplicativos de ML para
applications dispositivos móveis com o App
Inventor.

3.3.2 Quais competências em relação à detecção objetos são ensinadas na unidade

instrucional?

A unidade instrucional encontrada ensina competências relacionadas a

diversas áreas da IA. Em relação a detecção de objetos é abordado temas como
redes neurais convolucionais, bounding-boxes, feature maps, Support Vector
Machine (SVM), dentre outros (Tabela 8).

Tabela 8: Competências relacionadas a detecção de objetos ensinadas nas unidades instrucionais

Referência Redes Perceptrons Backpropagati Redes Neurais SVM Transfer Tipos Bounding Feature
Neurais on Convolucionais Learning de ML Boxes Maps
(ZHU, x x x x x x x x x
2019)

3.3.3: Quais são as características instrucionais da unidade instrucional?

A unidade instrucional encontrada foi executada de modo presencial em um

acampamento de verão do MIT em Cambridge/EUA (ZHU, 2019). O curso teve a
duração de 6 aulas de 1 hora e 30 minutos cada (total de 9 horas). As aulas eram
divididas em teoria e prática, sendo apresentado conceitos que envolvem Machine
Learning e depois um exercício prático utilizando extensões do App Inventor para a
demonstração do que foi lecionado.
Tabela 9: Características instrucionais das unidades instrucionais
Referência Tipo Duração Modelo de Objetivos de Método Material Idioma
ensino aprendizado instrucional instrucional
(ZHU, 2019) Curso 6 aulas (1h30 Presencial Introduzir o ML para Aulas híbridas Tutoriais, Inglês
cada) os alunos e permitir (teóricas e extensões do
que eles criem práticas) App Inventor
aplicações mobile
utilizando as
extensões do App
Inventor

3.3.4 Como as unidades instrucionais foram desenvolvidas e como a qualidade das

unidades instrucionais foram avaliadas?
 Para garantir a eficácia de uma unidade instrucional, é importante que ela
seja desenvolvida seguindo modelos de design instrucional. Porém, Zhu (2019) não
apresenta nenhuma informação sobre o design instrucional adotado. Somente
informa que, foi criado um currículo para o curso com base nas extensões do App
Inventor, que auxiliam o ensino de ML para os alunos. O curso foi avaliado por meio
de questionários, que eram aplicados no início e no final das aulas. Os resultados
indicaram que as aulas e principalmente as extensões do App Inventor, ajudaram os
estudantes a compreender o Machine Learning.

3.4 DISCUSSÃO

Observa-se que basicamente não existem ainda unidades instrucionais para

ensinar o desenvolvimento de modelos de ML para a detecção de objetos no
contexto do ensino médio. Durante a busca foi encontrado somente uma unidade
instrucional que ensina detecção de objetos, comparado com diversas unidades
instrucionais com foco em outras tarefas, principalmente classificação de imagens
(MARQUES et al., 2020). A unidade instrucional encontrada aborda alguns tópicos
pouco comuns em comparação a outras unidades instrucionais, como
bounding-boxes, transfer learning, features maps e redes neurais convolucionais
(ZHU, 2019; MARQUES et al., 2020). As características da unidade instrucional são
comuns em relação a outras unidades instrucionais, já que tem um formato de curso
voltado a alunos do ensino médio e utiliza ferramentas como App Inventor que é
típico no ensino de tecnologia para crianças e adolescentes (MARQUES et al.,
2020).
A detecção de objetos é uma das tarefas mais relevantes nos campos de
visão computacional e robótica. Apesar dessa técnica já estar presente em diversos
eletrônicos do cotidiano atual, como por exemplo carros autônomos, detecção de
rosto em smartphones e câmeras, ainda está longe de estar presente em todas as
áreas em que poderia ser útil (VERSCHAE e RUIZ-DEL-SOLAR, 2015). O aumento
da necessidade de implantações de sistemas de robôs de serviço, drones,
reconhecimento de rostos e utilizações na área da saúde, mostra a importância de
sistemas de detecção de objetos (VERSCHAE e RUIZ-DEL-SOLAR, 2015). Dessa
maneira, o incentivo de ensino nesse campo da IA contribui para que essas
tecnologias alcancem um desempenho de alto nível.

Ameaças a validade. Como em qualquer mapeamento sistemático, existem

algumas ameaças à validade dos resultados. As ameaças potenciais foram
identificadas e estratégias de mitigação para minimizar os impactos foram aplicadas.
Viés de publicação. Mapeamentos sistemáticos podem sofrer do viés comum de
que os resultados positivos têm maior probabilidade de serem publicados do que os
negativos. No entanto, foi considerado que os resultados dos artigos, sejam
positivos ou negativos, têm apenas uma pequena influência sobre esse
mapeamento sistemático, uma vez que se busca caracterizar as unidades
instrucionais, em vez de analisar seus impactos sobre a aprendizagem.
Identificação de estudos. Outro risco é a omissão de estudos relevantes. A fim de
mitigar esse risco, a string de busca foi construída para ser o mais abrangente
possível, considerando não apenas os principais conceitos, mas também sinônimos.
Isso gera um possível problema em ocultar artigos em bases de dados que foram
recortadas em 200 resultados pelo grande volume de artigos encontrados, embora a
possibilidade de ocorrência de tal fato seja menor do que a de omitir resultados sem
usar sinônimos.
Seleção e extração de dados de estudos. Ameaças para estudar seleção e
extração de dados foram mitigadas por meio do fornecimento de uma definição
detalhada dos critérios de inclusão, exclusão e de qualidade. Foi definido e
documentado um protocolo para a seleção do estudo e a execução do mapeamento
foi validada pela orientadora do presente trabalho.
4 CURSO “CRIE SEU PRIMEIRO MODELO PARA DETECÇÃO DE OBJETOS”

Este capítulo apresenta a análise de contexto, as características das escolas e os

objetivos de aprendizagem, que são base para a definição das características do
curso a ser criado. Também é definido o plano de ensino da unidade instrucional. De
acordo com o plano, é desenvolvido o material didático do curso e as avaliações de
aprendizagem.

4.1 ANÁLISE DO CONTEXTO

Público-alvo. O público-alvo são alunos do Ensino Médio das escolas brasileiras,

que corresponde aos últimos três anos da educação básica, com faixa etária de 15 a
18 anos de idade. Dado o contexto de ensino médio no Brasil, os alunos dessa fase
são tipicamente alfabetizados, com conhecimentos de matemática e língua
estrangeira básica (inglês ou espanhol). De forma geral, no Brasil ainda não há um
profundo conhecimento de computação no ensino básico, pois esse ensino é
realizado tipicamente somente a partir do ensino superior.
Segundo uma pesquisa do Cetic.br (2020a), estima-se que 4,7 milhões de
crianças e adolescentes entre 9 e 17 anos, não possuem internet em sua residência
e cerca de 16,5 milhões não possuem uma internet de alta velocidade (banda larga
acima de 4 Mbps). Grande parte das crianças e adolescentes de áreas rurais não
possuem acesso à internet (Figura 10). Em 2019, 58% das crianças e adolescentes
afirmam utilizar somente o celular para acesso à internet, isso enfatiza o aumento do
número de jovens que utilizam telefones celulares visto que em 2014 essa
porcentagem era de 17% (Figura 11).
 Figura 10: Crianças e adolescentes que residem em domicílios com acesso à internet (em milhões)
(CETIC.BR, 2020a)

Figura 11: Crianças e adolescentes usuários de internet, por dispositivos utilizados de forma exclusiva
ou simultânea para acessar a internet (CETIC.BR, 2020b)
Contexto das escolas. De acordo com um censo feito nas escolas brasileiras,
96,9% das escolas do ensino médio têm acesso à internet (INEP e MEC, 2020).
Porém, somente 75,4% dessas escolas utilizam a internet para o ensino e
aprendizagem (Tabela 10). Também é visível uma diferença na quantidade de
recursos entre escolas públicas, onde escolas municipais têm uma porcentagem
menor de recursos que as estaduais, a qual tem menos recursos que a federal e
escolas privadas (Tabela 10).

Tabela 10: Recursos tecnológicos disponíveis nas escolas de ensino médio no Brasil em 2020
(Adaptado de INEP e MEC, 2020)

Recurso Pública Pública Pública Pública Privada Total

Federal Estadual Municipal
(Total)

Internet 99,8% 95,8% 92,9% 95,9% 99,3% 96,9%

Internet banda larga 98,2% 80,4% 78,1% 80,9% 92,5% 84,2%

Internet para alunos 98,0% 64,6% 46,4% 65,4% 69,8% 66,7%

Internet para uso 98,8% 94,1% 90,7% 94,2% 96,0% 94,8%

administrativo

Internet para ensino e 89,6% 72,9% 59,6% 73,3% 80,6% 75,4%

aprendizagem

Lousa digital 50,6% 29,2% 22,4% 29,8% 27,8% 29,2%

Projetor multimídia 97,8% 80,9% 79,8% 81,4% 85,2% 82,5%

Computador de mesa 99,0% 79,3% 71,6% 79,8% 80,0% 79,9%

para alunos

Computador portátil 48,1% 36,3% 35,5% 36,6% 53,5% 41,5%

para alunos

Tablet para alunos 27,5% 13,1% 4,9% 13,5% 31,8% 18,8%

As escolas públicas brasileiras que têm acesso a computadores, fornecem

ambientes em que os alunos conseguem utilizá-los com a presença de um
professor que auxilia no uso dos recursos tecnológicos. Este último pode ser
explicado também pela falta de professores na área, visto que cerca de 0,06% dos
profissionais têm formação de professores de computação (INEP, 2020). Devido ao
fato que atualmente existem poucos professores formados em licenciatura de
informática, os professores de sala de informática frequentemente não têm uma
formação específica na área de computação.
Muitas dificuldades são relatadas pelos professores durante a tentativa de
aplicar o uso de tecnologias em atividades escolares (Figura 12), como por
exemplo o número insuficiente de computadores por aluno, falta de conexão da
internet ou internet com baixa velocidade, equipamentos ultrapassados e também
ausência de cursos de capacitação para uso de computadores.

Figura 12: Professores de escolas urbanas, por dificuldades para uso de tecnologias em atividades
pedagógicas (CETIC.BR, 2021)

4.2 OBJETIVOS DE APRENDIZAGEM

Visa-se neste curso ensinar conceitos e práticas de ML no nível de

aprendizagem de lembrança, compreensão e aplicação de acordo com a
Taxonomia de Bloom (BLOOM et al., 1956) voltado ao nível de use seguindo o ciclo
de use-modify-create (LEE et al., 2011). O curso tem como alvo estudantes do
Ensino Médio com pouco conhecimento prévio de Machine Learning. Os objetivos
de aprendizagem definidos foram baseados nas competências de alfabetização de
IA de Long e Magerko (2020) e nas diretrizes curriculares do AI4K12 (TOURETZKY
et al., 2019] e da CSTA (CSTA, 2017). A Tabela 11 apresenta os objetivos definidos
para o curso.
 Tabela 11: Objetivos de aprendizagem da Unidade Instrucional

Identificador Objetivo de aprendizagem Taxonomia de Fonte

Bloom

OA1 - Conceitos Conceitos básicos de ML, saber Lembrar 3-A-i (AI4K12, 2020);
básicos de ML identificar exemplo de ML 3B-AP-08 (CSTA, 2017);
1, 2, 5 (LONG e
MAGERKO, 2020)

OA2 - Redes Conceitos básicos sobre redes Compreender 3-B-i 6-8, 3-B-i 9-12,
Neurais neurais, tipos de arquitetura e seu 3-B-ii 3-5 (AI4K12, 2020)
comportamento

OA3 - Conceitos Compreender os conceitos de Aplicar 3-C-ii 6-8, 3-B i 9-12,

básicos de detecção bounding-boxes, redes neurais (AI4K12, 2020)
de objetos convolucionais, métricas de validação,
e algoritmos de detecção de objetos.

OA4 - Processo de Compreender as etapas envolvidas no Aplicar 3-A-iv 9-12 (AI4K12,

desenvolvimento de processo de desenvolvimento de um 2020); 9 (LONG;
ML modelo de Machine Learning MAGERKO, 2020)

OA5 - Preparação Preparar um conjunto de dados, Aplicar 3-C-ii 9-12 (AI4K12,

de dados criando as bounding boxes e rotulando 2020); 3B-AP-09 (CSTA,
os dados 2017); 12 (LONG e
MAGERKO, 2020)

OA6 - Treinamento Treinar um modelo de detecção de Aplicar 3B-AP-09 (CSTA, 2017);

de um modelo de objetos a partir de um conjunto de 3-A-iii 9-12 (AI4K12,
detecção de objetos dados. 2020);

OA7 - Avaliar Avaliar a performance do modelo de Aplicar 3-A-iii 9-12 (AI4K12,

desempenho do ML utilizando um conjunto de dados de 2020);
modelo teste.

OA8 - Implantar o Exportar o modelo de detecção de Aplicar (AMERSHI et al., 2019)

modelo em um objetos em um aplicativo móvel.
aplicativo mobile

OA9 - Discussão Identificar e descrever problemas Compreender 3-C-iii 6-8 (AI4K12);

ética éticos chave acerca do ML 3A-AP-24 (CSTA,
(privacidade, tomada de decisões 2017); 13,16 (LONG e
éticas, dados enviesados e MAGERKO, 2020)
correlações inesperadas, etc.)

* Como o objetivo de aprendizagem OA8 depende de uma extensão para integrar modelos de
detecção de objetos no App Inventor, este objetivo de aprendizagem é previsto a ser abordado ao
longo prazo neste curso, porém como depende da disponibilidade da extensão não será incluído no
escopo do presente TCC.

4.4 DESIGN DO CURSO

Com base nos objetivos de aprendizagem definidos, é proposto um curso de

Machine Learning focado em detecção de objetos para alunos do ensino médio. A
tarefa foi escolhida por ser um tema de muita relevância na área de Deep Learning
e também por conter poucas unidades instrucionais ensinando o tema para os
jovens, conforme o mapeamento sistemático executado.
O curso visa a criação de um app inteligente com uma solução de impacto
no contexto social. Dessa maneira, é proposto a criação de um aplicativo móvel de
detecção que irá auxiliar pessoas com deficiência visual a identificarem objetos
domésticos dentro de ambientes internos. Foi definido dez objetos que serão
detectados pelo modelo criado pelos alunos, sendo eles: armário, cachorro,
cadeira, cama, mesa de cabeceira, mesa, mochila, porta, sapato e sofá.
O curso é projetado para ser realizado online, permitindo que os alunos
estudem dentro de casa com seus computadores ou dentro de um contexto
escolar, possibilitando tanto uma aplicação presencial quanto remota (com ou sem
instrutor). Será utilizado o ambiente visual ODIN, dentro de um Jupyter notebook
para rodar os modelos de detecção de objetos dentro do Google Colab e facilitar o
ensino de modo interativo. Considerando que o ensino de ML ainda não faz parte
do currículo do ensino médio, foi projetado um curso de curta duração, com
aproximadamente 15 horas, e com dificuldade média voltado a iniciantes na tarefa
de detecção de objetos. Porém, assume-se que os estudantes já têm um
conhecimento de conceitos básicos de ML e redes neurais e a sua aplicação para o
desenvolvimento de modelos de classificação de imagens.

4.5 PLANO DE ENSINO

A definição do plano de ensino do curso é baseada nos objetivos de

aprendizagem propostos, na análise do público-alvo e no estado da arte. É previsto
ser um curso online, com foco em aplicar o ensino de detecção de objetos por meio
do desenvolvimento de um aplicativo inteligente, que detecta objetos domésticos
para auxiliar pessoas cegas e/ou com baixa visão. O curso deve ser voltado à
aprendizagem de aplicação, assim, predominantemente utilizando metodologias
ativas para ensino, como por exemplo a elaboração de um projeto completo de ML.
O plano de ensino definido é apresentado na Tabela 12.
 Tabela 12: Plano de ensino
Objetivos de
Aula Conteúdo Aprendizagem Método Instrucional Material Instrucional Avaliação

Introdução a IA e presença no cotidiano

30 min O que é detecção de objetos, exemplos de OA1, OA9 Instrução expositiva , Slides interativos e vídeos Quiz
detecção de objetos , motivação de ensino e atividades interativas e
importância no mundo atual demonstrações

Conceitos de Machine Learning e detecção de objetos

15 min Exemplo interativo de um modelo de detecção OA3, OA4 Apresentação e demonstração Atividade interativa e exemplo Quiz
rodando no Jupyter modelo no Jupyter

Projeto ML: Desenvolvimento de um Modelo de detecção de objetos para auxiliar cegos

30 min Definição dos requisitos OA4 Apresentação Slides interativos e ODIN/Jupyter Quiz, Avaliação de
Notebook desempenho

1 hora Preparação das imagens, criação das OA5 Apresentação e atividade Slides interativos, ODIN/Jupyter Quiz, Avaliação de
bounding-boxes prática Notebook, vídeos e conjunto de desempenho
dados e Roboflow
1 hora Treinamento do modelo de detecção de objetos OA6 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
utilizando YOLOv5 prática Notebook e conjunto de dados desempenho

1 hora Avaliação de desempenho do modelo treinado OA7 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
prática Notebook e conjunto de dados desempenho

1 hora Predição OA3, OA4 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
prática Notebook desempenho

30 min Exportação do modelo para aplicativo móvel OA8 Apresentação e atividade Slides interativos, Jupyter Quiz, Avaliação de
(Atividade prática Notebook desempenho
Extra)
Implicações Éticas e Impactos

30 min Aspectos éticos, segurança, privacidade e viés. OA9 Apresentação Slides interativos Quiz
4.6 MATERIAL DIDÁTICO

O material didático foi criado com base em materiais didáticos já existentes

na iniciativa Computação na Escola (ALMEIDA, 2022). Foi desenvolvido materiais
de ensino como slides interativos, vídeos tutoriais, quizzes e tarefas práticas. É
possível visualizar exemplos dos materiais didáticos sobre o conteúdo teórico nas
Tabela 13 e 14.

Tabela 13: Exemplos de slides do curso

Slides

Aula 1

Aula 2 Aula 3

Aula 4 Aula 5

Aula 6 Aula 7
Aula 8 Aula 9

Tabela 14: Exemplos de vídeos do curso

Vídeos

Tutorial de criação
de bounding boxes

Com o objetivo de motivar a aprendizagem, foi proposto uma atividade

interativa para os alunos, na qual é possível visualizar de forma divertida como a
detecção de objetos funciona (Figura 13).
 Figura 13: Exemplo de atividade interativa

Durante as aulas, são propostas atividades práticas que incentivam o aluno

a acompanhar as etapas do desenvolvimento de um modelo de detecção de
objetos. Como exemplo, é apresentado o desenvolvimento de um app de detecção
de objetos domésticos para cegos, visando localizar objetos comuns dentro de
casa.

As atividades práticas são guiadas, sendo apresentadas após explicações

de como executá-las. Com o objetivo de facilitar a aplicação em salas de aula e
também para alunos que não possuem tempo ou recursos necessários, foi
disponibilizado conjuntos de dados rotulados prontos para uso ou soluções que
envolviam pesquisas de imagens na internet. É possível visualizar os exemplos de
atividades propostas e seu desenvolvimento na Tabela 15.

Tabela 15: Exemplos de atividades práticas

Atividade proposta Execução da atividade

4.6.1 CONJUNTO DE DADOS PREPARADO

Durante o curso é utilizado um conjunto de dados criado a partir de coleta de

imagens próprias. O conjunto é composto de 153 imagens, distribuídas em dez
categorias de objetos domésticos. As informações do conjunto de dados são
documentadas na Tabela 16.

Tabela 16: Informações sobre o conjunto de dados do curso

Conjunto de dados
 Conjunto de imagens de objetos domésticos (principalmente em ambientes
Descrição dos internos) aparecendo totalmente ou parcialmente, em ângulos variados. Todas as
dados imagens são fotografias reais.

Origem dos Conjunto de dados de objetos domésticos disponibilizado pela CnE

dados

Quantidade total 153 imagens

de dados

Distribuição dos
dados por
categoria

Rotulação dos Feito pelos pesquisadores da iniciativa Computação na Escola

dados

Tamanho de 640x640 pixels

imagens

Tamanho do 64
batch

Dataset splitting 75% para treinamento (115)

13% para validação (20)
12% para teste (18)

4.6.2 MODELO DE ML DESENVOLVIDO

Durante o curso desenvolvemos um modelo para detecção de objetos

domésticos. O modelo foi desenvolvido para detectar dez tipos de objetos. Os
objetivos e informações do modelo são documentados conforme a tabela 17.
 Tabela 17: Informações do modelo desenvolvido

Modelo de ML

Nome do modelo Modelo de detecção de objetos domésticos

Data 30/05/2022

Versão v1.0

Objetivo do modelo de ML

Tarefa Detectar objetos domésticos em uma imagem (tipicamente em ambiente doméstico

como sala, quarto, escritório, etc.)

O modelo é utilizado como exemplo no contexto de ensino de detecção de objetos

Contexto de uso na Educação Básica

Público alvo Cidadãos (8+ anos)

Foco em alunos do Ensino Médio

Riscos Detectar objetos erroneamente

Tipo da tarefa Multi-label detecção de objetos

Categorias Armário, Cachorro, Cadeira, Cama, Mesa de cabeceira, Mesa, Mochila, Porta,
Sapato e Sofá

Treinamento

Tipo de modelo Yolov5s

Tamanho de lotes 32

Quantidade de 200
épocas

Avaliação de desempenho

Precisão média 0.77

total

mAP 0.5 0.84

mAP 0.95 0.61

Precisão por Armário: 0.71; Cachorro: 0.69; Cadeira: 0.86: Cama: 0.61; Mesa de cabeceira: 0.75;
categoria Mesa: 0.85; Mochila: 0.89; Porta: 0.63; Sapato: 0.69; Sofá: 0.9

Limitações e considerações éticas

Limitações Esse modelo é limitado a somente 10 objetos de ambiente doméstico com um

desempenho aceitável. Os resultados da detecção de objeto devem ser utilizados
com cuidado sempre revisado por humanos.
 Na tabela 18, é possível visualizar testes de predição com imagens que não
foram utilizadas durante o treinamento.

Tabela 18: Predição do modelo com imagens novas

Teste com imagens novas

Cadeira e mesa

Cama, mesa de
cabeceira e sapatos

Mochila e cachorro
Sofá

Sofá e cachorro

Sapatos e porta
4.6.3 FERRAMENTAS UTILIZADAS NO CURSO

O curso utiliza ferramentas online gratuitas. As ferramentas apresentadas na

Tabela 19 foram adotadas para facilitar o processo de aprendizagem.

Tabela 19: Ferramentas utilizadas no curso

Ferramenta Função Exemplo Link

Google Drive Armazenar https://drive.google.com/

conjunto de dados
e dados do ODIN

ODIN (Jupyter Interface visual https://colab.research.goog

Notebook) para auxílio no le.com/drive/1JUNAPFC3E
desenvolvimento do Dp9xs0VFRDA1naesgBnj9
modelo de wB
detecção de
objetos

Roboflow Ferramenta para https://app.roboflow.com/

rotulação e
exportação de
conjuntos de dados

Colab Permite escrever e https://colab.research.goog

executar códigos le.com/
pelo browser,
utilizando recursos
de máquina do
Google

4.7 AVALIAÇÃO DE APRENDIZAGEM DO ALUNO

A avaliação de aprendizagem do aluno é feita por meio de quizzes

interativos utilizando o H5P (https://h5p.org/) Essa ferramenta permite a criação de
questões de múltiplas escolhas, arrastar e soltar, verdadeiro ou falso, respostas
abertas e escolhas únicas (Figuras 14 e 15). É aplicado a avaliação no formato
formativo, com quizzes apresentados no decorrer do curso. Os quizzes foram
formulados com base nos objetivos de aprendizagem definidos, visando avaliar o
aprendizado do aluno em relação ao material didático previamente apresentado.
 Figura 14: Exemplo de quiz de escolhas únicas

Figura 15: Exemplo de quiz de múltiplas escolhas

Para a avaliação de desempenho do aluno com base no trabalho resultado

da aprendizagem no Jupyter Notebook, será utilizado o modelo de avaliação de
Pereira (2021) (Tabela 20). Atualmente, o ambiente de desenvolvimento ODIN está
em fase de desenvolvimento na integração com a rubrica, portanto a avaliação no
curso ainda não é realizada.

Tabela 20: Rubrica de avaliação e proposta de automação da avaliação (PEREIRA, 2022).

ID Critério Níveis de desempenho

Baixo - 0 pt. Aceitável - 1 pt. Bom - 2 pt.

 Preparação de dados (OA3)

C1 Quantidade de Menos de 5 imagens por 6 de 10 imagens por Mais de 10 imagens por

imagens categoria categoria categoria

C2 Distribuição do Quantidade de imagens Quantidade de imagens Todas as categorias possuem

conjunto de dados por categoria varia muito por categoria varia a mesma quantidade de
pouco imagens

Preparação de dados (OA4)

C3 Rotulagem das Menos de 20% das De 20% a 99% das Todas as imagens rotuladas
imagens (bounding imagens rotuladas imagens rotuladas corretamente
boxes) corretamente corretamente

Treinamento de modelo de ML/Transfer Learning e Fine-Tuning (OA5)

C4 Treinamento - Transfer O modelo não foi O modelo foi treinado O modelo foi treinado com
Learning treinado (transfer com os parâmetros parâmetros ajustados
learned) padrão (arquitetura, época e taxa de
aprendizagem)

C5 Treinamento - O modelo não foi Foi feito unfreeze das Foi feito unfreeze das
Fine-Tuning fine-tuned camadas e melhor taxa camadas, a melhor taxa de
de aprendizagem não aprendizagem foi encontrada e
encontrada ou modelo o modelo foi fine-tuned
não treinado

Avaliação e interpretação do desempenho de um modelo de ML (Transfer Learning e Fine-Tuning) (OA6)

C6 Interpretação de Categorias com baixa Categorias com baixa Categorias com baixa acurácia
acurácia acurácia não acurácia identificadas e identificadas corretamente e
identificadas interpretação incorreta interpretação correta em
em relação ao modelo relação ao modelo

C7 Interpretação da Detecções incorretas não Detecções incorretas Detecções incorretas

Precisão Média (AP) identificadas e identificadas e identificadas e interpretação
interpretação incorreta interpretação incorreta correta em relação ao modelo
em relação ao modelo em relação ao modelo

C8 Ajustes/melhorias Sem novas iterações de Uma nova iteração com Diversas novas iterações com
feitas desenvolvimento alterações no conjunto alterações no conjunto de
de dados e/ou dados e/ou parâmetros de
parâmetros de treinamento
treinamento

Avaliação e interpretação do desempenho de um modelo de ML/Testar e aperfeiçoar programas (OA6)

C9 Testes com novos Nenhum novo objeto 1-2 novos objetos Mais de dois novos objetos
objetos testado testados testados

C10 Interpretação dos Interpretação errada --- Interpretação correta

testes
5 CONCLUSÃO

O presente trabalho apresenta o desenvolvimento do curso “Crie seu

primeiro modelo para detecção de objetos”, com foco no ensino de detecção de
objetos para alunos do Ensino Médio. Primeiramente, foi sintetizada a
fundamentação teórica relativa ao ensino de ML na educação básica brasileira,
conceitos de ML e desenvolvimento de aplicações inteligentes. Posteriormente, por
meio de um mapeamento sistemático, foi levantado o estado da arte em relação a
unidades instrucionais com os objetivos similares ao presente trabalho. Seguindo o
design instrucional foi analisado o contexto dos perfis dos estudantes, professores
e ambientes escolares brasileiros para definir os objetivos de aprendizagem e o
plano de ensino do curso. Com base no plano de ensino, o material didático foi
desenvolvido criando slides interativos, vídeos e quizzes, além de atividades
práticas, proporcionando o conteúdo necessário para que o aluno desenvolva o
modelo utilizando a ferramenta ODIN no Jupyter Notebook/Colab.
Dessa maneira, espera-se contribuir com o ensino de ML na educação
brasileira, apresentando conceitos introdutórios de detecção de objetos aos jovens,
estimulando o seu interesse e os inserindo na área de ML. O curso apresentado
agrega ao atual estado da arte, visto que existem poucas unidades instrucionais
que focam no ensino de detecção de objetos para esse público alvo, principalmente
no idioma português.
Com relação a trabalhos futuros, sugere-se a aplicação e avaliação do curso
com alunos do público alvo, visando melhorias e correções dos materiais didáticos
por meio de feedback. Por fim, para a contribuição contínua do tema, sugere-se a
criação de novos cursos com foco no nível create, para que os alunos criem seus
próprios modelos de detecção de objetos com base em suas ideias.
6 REFERÊNCIAS

ADARSH, P; RATHI, P.; KUMAR, M.. YOLO v3-Tiny: Object Detection and Recognition using one
stage improved model. In: Proc. 6th International Conference on Advanced Computing and
Communication Systems , Coimbatore, TN, India. IEEE, 2020. p. 687-694.

AI4K12. Draft Big Idea 3 - Progression Chart. 2020b. Disponível em:

https://drive.google.com/file/d/1QL6I_I5cdNTVnYBlZ3_Lxur2DgFjmG_d/view

AL-MASNI, M. A. et al. Simultaneous detection and classification of breast masses in digital

mammograms via a deep learning YOLO-based CAD system. Computer methods and programs
in biomedicine, v. 157, p. 85-94, 2018

ALMEIDA, B. C. S. Desenvolvimento de um Curso Ensinando a Criação de Apps Inteligentes

para a Classificação de Imagens com Machine Learning e Design Thinking. 2022. Trabalho de
Conclusão de Curso. (Graduação em Sistemas de Informação) – Universidade Federal de Santa
Catarina.

Amazon. Amazon Machine Learning, AWS Documentation. 2019. Disponível em: . Acesso em: 31
de julho de 2022.

AMERSHI, S. et al. Software engineering for machine learning: A case study. In: Proc. of the
IEEE/ACM 41st International Conference on Software Engineering: Software Engineering in
Practice, IEEE, 2019. p. 291-300.

AYODELE, T. O.. Types of machine learning algorithms. New advances in machine learning, v. 3, p.
19-48, 2010.

AYODELE, T. O.. Machine learning overview. New Advances in Machine Learning, p. 9-19, 2010.

BLOOM, B. S., ENGELHART, M. D., FURST, E. J., HILL, W. H., KRATHWOHL, D. R. Taxonomy of
educational objectives: The classification of educational goals. Handbook I: Cognitive domain.
New York: David McKay Company, 1956.

BOCHKOVSKIY, A. WANG, C.; LIAO, H. M. Yolov4: Optimal speed and accuracy of object
detection. arXiv preprint arXiv:2004.10934, 2020.

BRASIL. Base Nacional Comum Curricular (BNCC). Educação é a Base. MEC/CONSED/UNDIME,

2017. Disponível em
http://basenacionalcomum.mec.gov.br/images/BNCC_EI_EF_110518_versaofinal_site.pdf. Acesso em
março de 2021.

CETIC.BR. TIC Educação 2019. 2020a. Disponível em:

<https://cetic.br/media/analises/tic_educacao_2019_coletiva_imprensa.pdf>. Acesso em agosto de
2021.

CETIC.BR. TIC KIDS ONLINE 2019 Pesquisa sobre o Uso da Internet por Crianças e
Adolescentes no Brasil. 2020b. Disponível em:
<https://cetic.br/media/docs/publicacoes/2/20201123093344/tic_kids_online_2019_livro_eletronico.pdf
>. Acesso em agosto de 2021.

CHENG, R.. A survey: Comparison between Convolutional Neural Network and YOLO in image
identification. In: Journal of Physics: Conference Series. IOP Publishing, 2020. p. 012139.

CSTA. CSTA K-12 Computer Science Framework. 2016. Disponível em:

https://k12cs.org/wp-content/uploads/2016/09/K%E2%80%9312-Computer-Science-Framework.pdf.
Acesso em: julho de 2021.

CSTA. CSTA K-12 Computer Science Standards. 2017. Disponível em:

http://www.csteachers.org/standards. Acesso em: julho de 2021.
DAROS, F. A. G.; PRADO, M. A. M. Feedback no processo de avaliação da aprendizagem no
ensino superior. In: Anais do XII Congresso Nacional de Educação.São Paulo, SP, Brasil, 2015.

DEISENROTH, M P; FAISAL, A. A; ONG, C. S. Mathematics for machine learning. Cambridge

University Press, 2020.

DENNING, P. J.; TEDRE, M.. Computational Thinking. Massachusetts: MIT Press, 2019.

DEY, A.. Machine learning algorithms: a review. International Journal of Computer Science and
Information Technologies, v. 7, n. 3, p. 1174-1179, 2016.

DU, J. Understanding of object detection based on CNN family and YOLO. Journal of Physics:
Conference Series, v. 1004. no. 1, p. 012029, 2018.

FALKNER K. et al. An International Comparison of K-12 Computer Science Education Intended

and Enacted Curricula. In: Proc. of the 19th Koli, ACM, 2019.

FERREIRA, M. N. F., GRESSE VON WANGENHEIM, C., MISSFELDT FILHO, R., DA CRUZ
PINHEIRO, F., HAUCK, J. C. R. Learning user interface design and the development of mobile
applications in middle school. ACM Interactions, 26(4), 2019.

GALOCHA, C.; POLETO, S. S.; TAVARES, M.. Avaliação no ensino superior: paradoxos e
desafios. Revista@ mbienteeducação,10(1), p. 25-35, 2017.

GIRSHICK, Ross et al. Rich feature hierarchies for accurate object detection and semantic
segmentation. In: Proc. of the IEEE conference on computer vision and pattern
recognition.Columbus, OH, USA, IEEE, p. 580-587, 2014.

GOOGLE. O que é o Colaboratory? 2020. Disponível em:

https://colab.research.google.com/notebooks/intro.ipynb. Acesso em: junho de 2021.

GOOGLE. Teachable Machine. 2021. Disponível em: https://teachablemachine.withgoogle.com/.

Acesso em agosto de 2021.

GRESSE VON WANGENHEIM, C., MARQUES, L. S., HAUCK, J. C. R. ​Machine Learning for All –
Introducing Machine Learning in K-12​. [s.l.] SocArXiv, 2020.

HELLMAN, M. AI 101: What is artificial intelligence and where is it going?, Seattle Times,
Disponível em:
https://www.seattletimes.com/business/technology/ai-101-what-is-artificial-intelligence-and-where-is-it-
going/. Acesso em março de 2021.

INEP, Sinopse Estatística da Educação Superior 2019. Brasília: Inep, 2020. Disponível em:
<http://inep.gov.br/sinopses-estatisticas-da-educacao-superior>. Acesso em: agosto de 2021.

INEP, MEC. Censo da Educação básica 2020. Disponível em:

<https://download.inep.gov.br/publicacoes/institucionais/estatisticas_e_indicadores/notas_estatisticas_
censo_escolar_2020.pdf>. Acesso em agosto de 2021.

IPYWIDGETS. Jupyter Widgets, 2022. Disponível em: https://ipywidgets.readthedocs.io/en/latest/

JAKHAR, D., KAUR, I., Artificial intelligence, machine learning and deep learning: definitions
and differences. Clinical and Experimental Dermatology, 45, 131-132, 2020.

JING, M. China looks to school kids to win the global AI race, South China Morning Post, 2018.
Disponível em:
https://www.scmp.com/tech/china-tech/article/2144396/china-looks-school-kids-win-global-ai-race.
Acesso em: março de 2020.
JORDAN, M. I.; MITCHELL, T. M. Machine learning: Trends, perspectives, and prospects.,
Science, 349(6245), 255-260, 2015.

KAHN, K. M.; LU, Y.; ZHANG, J.; WINTERS, N.; GAO, M. Deep learning programming by all.
Proc. of the Conference on Constructionism, Dublin, Ireland, 2020.

KERAS. Transfer learning & fine-tuning, 2020. Disponível em:

https://keras.io/guides/transfer_learning/. Acesso em junho de 2021.

LECUN, Y., BENGIO, Y., & HINTON, G. Deep learning. Nature, 521(7553), 436–444, 2015.

LEE, I. et al. Computational thinking for youth in practice. ACM Inroads, 2(1), 32–37, 2011.

LIU, J., KONG, X., XIA, F., BAI, X., WANG, L., QING, Q., & LEE, I.. Artificial intelligence in the 21st
century. IEEE Access, 6, 34403-34421, 2018.

LIU, L., OUYANG, W., WANG, X., FIEGUTH, P., CHEN, J., LIU, X., & PIETIKÄINEN, M. Deep
Learning for Generic Object Detection: A Survey. International Journal of Computer Vision,
128(2), 261–318, 2020.

LIU, W., ANGUELOV, D., ERHAN, D., SZEGEDY, C., REED, S., FU, C. Y., & BERG, A. C. (2016,
October). Ssd: Single shot multibox detector. In European conference on computer vision (pp.
21-37). Springer, Cham.

MARK J. N.; HOOVER, A. K.. Notes on Using Google Colaboratory in AI Education. In: Proc. of
the ACM Conference on Innovation and Technology in Computer Science Education. ACM, New
York, NY, USA, 533–534, 2020.

MARQUES, L. S.; ​GRESSE VON WANGENHEIM, C.; HAUCK, J. C. R. ​Teaching Machine

Learning in School: A Systematic Mapping of the State of the Art​. Informatics in Education,
19(2), 283–321, 2020.

MEC. Base Nacional Comum Curricular, 2021. Disponível em:

http://basenacionalcomum.mec.gov.br. Acesso em: junho de 2021.

O'HARA, K., BLANK, D., MARSHALL, J. Computational Notebooks for AI Education. In: Proc. of
the 28th International Florida Artificial Intelligence Research Society Conference, Hollywood, FL, USA,
2015.

MIT. App inventor. Disponível em: <https://appinventor.mit.edu/>. Acesso em: 08 agosto de 2021.

PACHECO, C. A. R.; PEREIRA, N. S. Deep Learning Conceitos e Utilização nas Diversas Áreas
do Conhecimento. Revista Ada Lovelace, 2, 34-49, 2018.

PEREIRA, P. P. J. Desenvolvimento de um Modelo de Avaliação de Aprendizagem de Machine

Learning no Ensino Médio voltado a Detecção de Objetos. 2022. Trabalho de Conclusão de
Curso. (Graduação em Sistemas de Informação) – Universidade Federal de Santa Catarina.

PERKEL, J. M. Why Jupyter is data scientists' computational notebook of choice. Nature,

563(7729), pp. 145-146, 2018

PETERSEN, K.; FELDT, R.; MUJTABA, S.; MATTSSON, M. Systematic Mapping Studies in
Software Engineering. Proc. of the 12th Int. Conference on Evaluation and Assessment in Software
Engineering, Bari, Italy, pp. 68-77, 2008.

PIASECKI, J.; WALIGORA, M.; DRANSEIKA, V. Google Search as an Additional Source in

Systematic Reviews. Science and Engineering Ethics, 24(2), pp. 809-910, 2018.

PRASHANTH, B.; MENDU, M.; THALLAPALLI, R. Cloud based Machine learning with advanced
predictive Analytics using Google Colaboratory. Materials Today: Proceedings, 2021.
RANDLES, B. M.; PASQUETTO, I. V.; GOLSHAN, M. S.; BORGMAN, C. L. Using the Jupyter
Notebook as a Tool for Open Science: An Empirical Study. Proc. of the ACM/IEEE Joint
Conference on Digital Libraries, Ontario, Canada, 2017.

RASCHKA, S. Python machine learning. Packt publishing ltd, 2015.

ROYAL SOCIETY. Machine learning : the power and promise of computers that learn by
example, 2017.

REDMON, J. et al. You only look once: Unified, real-time object detection. Proc of the IEEE
conference on computer vision and pattern recognition. Las Vegas, NV, USA, p. 779-788, 2016.

REDMON, J.; FARHADI, A.. YOLO9000: better, faster, stronger. Proc. of the IEEE conference on
computer vision and pattern recognition. Honolulu, HI, USA. p. 7263-7271, 2017

REDMON, J.; FARHADI, A. Yolov3: An incremental improvement. arXiv preprint

arXiv:1804.02767, 2018.

RUSSELL, S.; NORVIG, P. Inteligência Artificial. 3. Ed. São Paulo: Elsevier, 2013.

SANTANA, J. P. ODIN - Uma Ferramenta Visual para o Desenvolvimento de Modelos

de Detecção de Objetos com Deep Learning no Ensino Superior. 2022. Trabalho de Conclusão
de Curso. (Graduação em Sistemas de Informação) – Universidade Federal de Santa Catarina.

SALVADOR, G. C. Desenvolvimento de um Modelo de Avaliação de Aprendizagem de Machine

Learning voltado a Classificação de Imagens no Ensino Médio. TCC (Graduação) - Curso de
Sistemas de Informação, INE, Universidade Federal de Santa Catarina, Florianópolis, 2021.

SBC. Diretrizes para ensino de Computação na Educação Básica. 2018. Disponível em:
https://www.sbc.org.br/documentos-da-sbc/send/203-educacao-basica/1220-bncc-em-itinerario-inform
ativo-computacao-2. Acesso em: março de 2021.

SHAHINFAR, S., MEEK, P., FALZON, G. “How many images do I need?” Understanding how
sample size per class affects deep learning model performance metrics for balanced designs
in autonomous wildlife monitoring. Ecological Informatics, 57, p. 101085, 2020.

STEVENS, D. D.; LEVI, A. J. Introductions to rubrics: an assessment tool to save grading time,
convey effective feedback and promote student learning. Virginia: Stylus Pub., 2005

SINGH, S. The Impact Of Artificial Intelligence Over The Next Five Years, Forbes. Disponível em:
https://www.forbes.com/sites/forbesbusinessdevelopmentcouncil/2019/05/30/the-impact-of-artificial-int
elligence-over-the-next-five-years/?sh=e97eaf544980. Acesso em março de 2021.

TANG, D., UTSUMI, Y., LAO, N. PIC: A Personal Image Classification Webtool for High School
Students. In Proc. of the IJCAI EduAI Workshop, Mac

TECH GIRLZ. Tech Girlz: Artificial Intelligence: How Computers Learn, 2020. Disponível
em:https://www.techgirlz.org/topic/artificial-intelligence-computers-learn/. Acesso em abril de 2021.

TISSENBAUM, M.; SHELDON, J. & ABELSON, H.. From Computational Thinking to

Computational Action. ACM Interactions, 62(3), 34-36, 2019.

TOURETZKY, D. et al. Envisioning AI for K-12: What Should Every Child Know about AI? Proc.
of the AAAI Conference on Artificial Intelligence, Honolulu, HI, USA, 9795–9799, 2019a.

TOURETZKY, D. S.; GARDNER-MCCUNE, C.; MARTIN, F.; SEEHORN, D. K-12 Guidelines for
Artificial Intelligence: What Students Should Know. In: Proc. of the Int. Society for Technology in
Education Conference, Philadelphia, PA, USA, 2019b.
VERSCHAE, R; RUIZ-DEL-SOLAR, J. Object detection: current and future directions. Frontiers
in Robotics and AI, v. 2, p. 29, 2015.

VINCENT, J. Tencent says there are only 300,000 AI engineers worldwide, but millions are
needed, The Verge, 2017. Disponível em:
https://www.theverge.com/2017/12/5/16737224/global-ai-talent-shortfall-tencent-report. Acesso em
junho de 2021.

WONG, G. K. W.; MA, X.; DILLENBOURG, P.; HUAN, J. Broadening artificial intelligence
education in K-12: where to start? ACM Inroads, 111(1), pp. 20-29, 2020.

YEH, C.; LIN, C.; HSU, K. Teaching Tool for Fun Learning of AI-based Banknote Detection
Technology. Sensors and Materials, 33(6), p. 1767-1776, 2021.

YOLOv5. Yolov5. Disponível em: <https://github.com/ultralytics/yolov5>. Acesso em: Junho de 2022.

ZEFERINO, A. M. B., PASSERI, S. M. R. R. Avaliação da aprendizagem do estudante. Cadernos

Abem, 3, 39-43, 2007.

ZEFERINO, A, M. B, DOMINGUES, R C L, AMARAL, E. Feedback como estratégia de

aprendizado no ensino médico. Revista Brasileira de Educação Médica, 31, p. 176-179, 2007.

ZHAO, Z. Q., ZHENG, P., XU, S. T., WU, X. Object detection with deep learning: A review. IEEE
transactions on neural networks and learning systems, 30(11), 3212–3232, 2018.

ZHU, K. An educational approach to machine learning with mobile applications. 2019. Tese de
Doutorado. Massachusetts Institute of Technology, USA.

ZOU, Z., SHI, Z., GUO, Y., YE, J.. Object detection in 20 years: A survey. arXiv preprint
arXiv:1905.05055, 2019.
 Desenvolvimento de um Curso de Machine
Learning com Foco em Detecção de Objetos
no Ensino Médio
Leonardo Martins Gonçalves

Departamento de Informática e Estatística

Universidade Federal de Santa Catarina (UFSC) – Florianópolis – SC – Brasil

martins.l@grad.ufsc.br

Abstract. Today Machine Learning (ML) is constantly present in the daily life of the
modern world. Thus, it is important that society understands its applicability and
functioning. Therefore, it is important to introduce the teaching of ML in K-12 so that
young people can use technology as a tool to create intelligent solutions. Currently, the
first instructional units aimed at teaching ML in K-12 are already being created, yet
almost exclusively focusing on the task of image classification. Thus, taking into
account a more diverse range of ML tasks, this work aims to create an online Machine
Learning course focused on object detection for high school students, contributing to
the insertion and training of young people in the field of AI.

Resumo. É perceptível a constante presença do Machine Learning (ML) no cotidiano

do mundo moderno. E, desta forma, destaca-se a importância da compreensão por parte
da sociedade de sua aplicabilidade e funcionamento. Por isso, é relevante introduzir o
ensino de ML na educação básica de maneira que os jovens consigam usar a tecnologia
como ferramenta para criar soluções inteligentes. Atualmente, já estão sendo criadas
primeiras unidades instrucionais voltadas ao ensino de ML na educação básica, porém
quase exclusivamente focando na tarefa de classificação de imagens. Assim, levando
em consideração uma gama mais diversa de tarefas de ML, esse trabalho visa criar um
curso online de Machine Learning com foco na detecção de objetos para alunos do
ensino médio, contribuindo para a inserção e capacitação dos jovens no campo da IA.

1. Introdução

A presença da Inteligência Artificial (IA) é cada vez mais comum no nosso

cotidiano, porém para muitas pessoas que estão fora do meio tecnológico sua
aplicabilidade e funcionamento acabam sendo uma incógnita. A IA se encontra em
aplicativos de streaming, em redes sociais, aparelhos eletrodomésticos e até em veículos
autônomos [Hellman 2019]. Segundo a Sociedade Brasileira de Computação (SBC), é
essencial que as pessoas consigam usufruir de toda capacidade computacional para
resolverem problemas do cotidiano ou do trabalho [SBC 2017].
 Com uma relevância crescente na sociedade atual, é comum que o incentivo ao
aprendizado de computação na educação básica começou a ser abordado [Marques et al.
2020]. De acordo com o BNCC, uma das competências gerais da educação básica é
entender, utilizar e criar tecnologias digitais de forma crítica, resolvendo problemas
coletivos e levantando reflexões de natureza social e ética [Brasil 2017]. Em
concordância, a SBC afirma que é essencial o ensino de computação na educação
básica, propondo diretrizes e ferramentas para o auxílio na implementação de
computação na escola [SBC 2017]. Com relação ao ensino médio, a SBC também
ressalta a importância do ensino de IA para os estudantes nessa etapa e provê
fundamentos para a discussão de questões éticas envolvidas nessa tecnologia [SBC
2017].

A detecção de objetos é uma das tarefas mais relevantes nos campos de visão
computacional e robótica. Apesar dessa técnica já estar presente em diversos eletrônicos
do cotidiano atual, ainda está longe de estar presente em todas as áreas em que poderia
ser útil [VERSCHAE e RUIZ-DEL-SOLAR 2015]. O aumento de implantações de
sistemas de robôs de serviço, drones, reconhecimento de rostos, mostra a importância da
necessidade de sistemas de detecção de objetos [VERSCHAE e RUIZ-DEL-SOLAR
2015].

A forte presença da IA/ML no contexto atual, apresenta a necessidade dos

cidadãos compreenderem essas tecnologias, sendo importante que esse incentivo venha
desde cedo. Para tal, é necessário a definição de como a IA deve ser aplicada na
educação básica, para além de formar cidadãos que entendam a tecnologia, incentivar
também o estudo na área, motivando jovens a explorar carreiras profissionais na área de
IA/ML [Touretzky et. al 2019].

Neste contexto, já estão sendo desenvolvidas diretrizes curriculares de IA

também indicando o ensino de ML na educação básica [Touretzky et. al 2019]. Além
disso, tem-se buscado criar unidades instrucionais neste contexto voltados ao ensino de
conceitos de ML e a aplicação destes conceitos, levando os alunos a desenvolver
modelos de ML, principalmente para a tarefa de classificação de imagens [Marques et
al. 2020].

Mesmo observando que já existem diversas unidades instrucionais para o ensino

de ML no ensino médio, no Brasil, ainda há poucas unidades de ensino disponíveis na
língua nativa, e dessas, poucas são focadas na tarefa de classificação de objetos
[Marques et al. 2020]. Poucos abordam também a implantação de soluções inteligentes,
por exemplo como partes de jogos com Scratch e em apps com App Inventor [Marques
et al. 2020]. Apesar da SBC salientar a relevância do ensino de IA/ML no ensino médio,
nas escolas, a presença deste tema também é escassa [SBC 2017]. Já que em outros
países, as iniciativas de ensino são mais comuns, na China, por exemplo, o ensino de IA
está sendo aplicado no ensino médio, antecipando a aplicação que normalmente
acontece no ensino superior [Marques et al. 2020; Jing 2020).
Com o objetivo de ensinar a aplicação de ML, tipicamente o ciclo
Use-Modify-Create é adotado, o qual visa que o estudante percorra todas as etapas de
aprendizado e passe por ciclos iterativos. Dessa forma, o aluno se desenvolve e se sente
mais seguro para propor e implementar seus próprios projetos [Lee et al. 2011].
Como suporte para o desenvolvimento de modelos de ML, tipicamente
ambientes visuais são adotados como por exemplo Google Teachable Machine [Google
2021] que facilitam a visualização e a execução de códigos na nuvem. Poucos cursos
também usam ambientes mais convencionais como Jupyter Notebooks [Tech Girlz
2020]. O Jupyter é um notebook de código aberto que oferece uma abordagem
interativa, sendo capaz de mesclar textos com códigos de programas funcionais de
diversas linguagens de programação textuais como Python [O'Hara et al. 2015]. Usando
Jupyter notebooks, a execução dos notebooks e inclusive o treinamento dos modelos de
ML pode ser feito via GPU da plataforma do Google, utilizando Google Colab, um
serviço em nuvem que fornece ambientes com notebooks Jupyter gratuitos, abstraindo a
necessidade de configuração da máquina e evitando problemas relativos à potência do
computador [Mark e Hoover 2020].
Portanto, observando a falta de cursos voltados ao ensino de ML para detecção
de objetos no ensino médio em escolas brasileiras e a relevância do tema na atualidade,
este projeto tem como proposta o desenvolvimento de uma unidade instrucional para
ensino de Machine Learning para a tarefa de detecção de objetos no nível use do ciclo
de aprendizagem use-modify-create, adotando um ambiente convencional de
desenvolvimento.

2. O Curso “Crie seu primeiro modelo para detecção de objetos”.

O curso “Crie seu primeiro modelo para detecção de objetos” foi desenvolvido
com o foco no público do Ensino Médio, sendo analisado o contexto dos alunos e os
objetivos de aprendizagem de ML. A partir disso, foi definido o plano de ensino do
curso, desenvolvido o material didático e as avaliações de aprendizagem.

2.1 Análise de Contexto

O Ensino Médio das escolas brasileiras corresponde aos últimos três anos da
educação básica, com faixa etária de 15 a 18 anos de idade. Dado o contexto de ensino
médio no Brasil, os alunos dessa fase são tipicamente alfabetizados, com conhecimentos
de matemática e língua estrangeira básica (inglês ou espanhol). De forma geral, no
Brasil ainda não há um profundo conhecimento de computação no ensino básico, pois
esse ensino é realizado tipicamente somente a partir do ensino superior. Segundo uma
pesquisa do Cetic.br (2020), estima-se que 4,7 milhões de crianças e adolescentes entre
9 e 17 anos, não possuem internet em sua residência e cerca de 16,5 milhões não
possuem uma internet de alta velocidade (banda larga acima de 4 Mbps).
De acordo com um censo feito nas escolas brasileiras, 96,9% das escolas do
ensino médio têm acesso à internet [INEP e MEC 2020]. Porém, somente 75,4% dessas
escolas utilizam a internet para o ensino e aprendizagem. As escolas públicas brasileiras
que têm acesso a computadores, fornecem ambientes em que os alunos conseguem
utilizá-los com a presença de um professor que auxilia no uso dos recursos
tecnológicos. Este último pode ser explicado também pela falta de professores na área,
visto que cerca de 0,06% dos profissionais têm formação de professores de computação
[INEP 2020]. Devido ao fato que atualmente existem poucos professores formados em
licenciatura de informática, os professores de sala de informática frequentemente não
têm uma formação específica na área de computação.

2.2 Objetivos de aprendizagem

O objetivo do curso é ensinar conceitos e práticas de ML no nível de

aprendizagem de lembrança, compreensão e aplicação de acordo com a Taxonomia de
Bloom [Bloom et al. 1956] voltado ao nível de use seguindo o ciclo de
use-modify-create [Lee et al. 2011]. O curso tem como alvo estudantes do Ensino Médio
com pouco conhecimento prévio de Machine Learning. Os objetivos de aprendizagem
definidos foram baseados nas competências de alfabetização de IA de Long e Magerko
(2020) e nas diretrizes curriculares do AI4K12 [Touretzky et al. 2019] e da CSTA
[CSTA 2017]. A Tabela 1 apresenta os objetivos definidos para o curso.

Tabela 1. Objetivos de aprendizagem da Unidade Instrucional

Identificador Objetivo de aprendizagem Taxonomia Fonte

de Bloom

OA1 - Conceitos Conceitos básicos de ML, saber identificar Lembrar 3-A-i [AI4K12
básicos de ML exemplo de ML 2020]; 3B-AP-08
[CSTA 2017]; 1, 2, 5
[Long e Magerko
2020]

OA2 - Redes Neurais Conceitos básicos sobre redes neurais, Compreender 3-B-i 6-8, 3-B-i 9-12,
tipos de arquitetura e seu comportamento 3-B-ii 3-5 [AI4K12
2020]

OA3 - Conceitos Compreender os conceitos de Aplicar 3-C-ii 6-8, 3-B i 9-12,

básicos de detecção de bounding-boxes, redes neurais [AI4K12 2020]
objetos convolucionais, métricas de validação, e
algoritmos de detecção de objetos.

OA4 - Processo de Compreender as etapas envolvidas no Aplicar 3-A-iv 9-12 [AI4K12

desenvolvimento de processo de desenvolvimento de um 2020]; 9 [Long e
ML modelo de Machine Learning Magerko 2020]

OA5 - Preparação de Preparar um conjunto de dados, criando as Aplicar 3-C-ii 9-12 [AI4K12
dados bounding boxes e rotulando os dados 2020]; 3B-AP-09
 [CSTA 2017]; 12
[Long e Magerko
2020]

OA6 - Treinamento de Treinar um modelo de detecção de objetos Aplicar 3B-AP-09 [CSTA

um modelo de a partir de um conjunto de dados. 2017]; 3-A-iii 9-12
detecção de objetos [AI4K12 2020];

OA7 - Avaliar Avaliar a performance do modelo de ML Aplicar 3-A-iii 9-12 [AI4K12

desempenho do utilizando um conjunto de dados de teste. 2020];
modelo

OA8 - Implantar o Exportar o modelo de detecção de objetos Aplicar [AMERSHI et al.,

modelo em um em um aplicativo móvel. 2019)]
aplicativo mobile

OA9 - Discussão ética Identificar e descrever problemas éticos Compreender 3-C-iii 6-8 [AI4K12
chave acerca do ML (privacidade, tomada 2020]; 3A-AP-24
de decisões éticas, dados enviesados e [CSTA 2017]; 13,16
correlações inesperadas, etc.) [Long e Magerko
2020]

* Como o objetivo de aprendizagem OA8 depende de uma extensão para integrar

modelos de detecção de objetos no App Inventor, este objetivo de aprendizagem é
previsto a ser abordado ao longo prazo neste curso, porém como depende da
disponibilidade da extensão não será incluído no escopo do presente TCC.

2.3. Design do Curso

Com base nos objetivos de aprendizagem definidos, é proposto um curso de

Machine Learning focado em detecção de objetos para alunos do ensino médio. A tarefa
foi escolhida por ser um tema de muita relevância na área de Deep Learning e também
por conter poucas unidades instrucionais ensinando o tema para os jovens, conforme o
mapeamento sistemático executado.
O curso visa a criação de um app inteligente com uma solução de impacto no
contexto social. Dessa maneira, é proposto a criação de um aplicativo móvel de
detecção que irá auxiliar pessoas com deficiência visual a identificarem objetos
domésticos dentro de ambientes internos. Foi definido dez objetos que serão detectados
pelo modelo criado pelos alunos
O curso é projetado para ser realizado online, permitindo que os alunos estudem
dentro de casa com seus computadores ou dentro de um contexto escolar, possibilitando
tanto uma aplicação presencial quanto remota (com ou sem instrutor). Será utilizado o
ambiente visual ODIN, dentro de um Jupyter notebook para rodar os modelos de
detecção de objetos dentro do Google Colab e facilitar o ensino de modo interativo.
Considerando que o ensino de ML ainda não faz parte do currículo do ensino médio, foi
projetado um curso de curta duração e com dificuldade média voltado a iniciantes na
tarefa de detecção de objetos. Porém, assume-se que os estudantes já têm um
conhecimento de conceitos básicos de ML e redes neurais e a sua aplicação para o
desenvolvimento de modelos de classificação de imagens.

2.4. Plano de Ensino

A definição do plano de ensino do curso é baseada nos objetivos de

aprendizagem propostos, na análise do público-alvo e no estado da arte. Foi definida a
modalidade de curso online, com foco em aplicar o ensino de detecção de objetos por
meio do desenvolvimento de um aplicativo inteligente, que detecta objetos domésticos
para auxiliar pessoas cegas e/ou com baixa visão. O é voltado à aprendizagem de
aplicação, assim, predominantemente utilizando metodologias ativas para ensino, como
por exemplo a elaboração de um projeto completo de ML. O plano de ensino definido é
apresentado na Tabela 2.

Tabela 2. Plano de Ensino

Objetivos de Método Material

Aula Conteúdo Aprendizagem Instrucional Instrucional Avaliação
Introdução a IA e presença no cotidiano
30 min O que é detecção de objetos, OA1, OA9 Instrução Slides interativos e Quiz
exemplos de detecção de expositiva , vídeos
objetos , motivação de ensino atividades
e importância no mundo interativas e
atual demonstrações
Conceitos de Machine Learning e detecção de objetos
15 min Exemplo interativo de um OA3, OA4 Apresentação Atividade interativa Quiz
modelo de detecção rodando e e exemplo modelo
no Jupyter demonstração no Jupyter
Projeto ML: Desenvolvimento de um Modelo de detecção de objetos para auxiliar cegos
30 min Definição dos requisitos OA4 Apresentação Slides interativos e Quiz,
ODIN/Jupyter Avaliação
Notebook de
desempenho
1 hora Preparação das imagens, OA5 Apresentação Slides interativos, Quiz,
criação das bounding-boxes e atividade ODIN/Jupyter Avaliação
prática Notebook, vídeos e de
conjunto de dados e desempenho
Roboflow
1 hora Treinamento do modelo de OA6 Apresentação Slides interativos, Quiz,
detecção de objetos e atividade Jupyter Notebook e Avaliação
utilizando YOLOv5 prática conjunto de dados de
desempenho
1 hora Avaliação de desempenho do OA7 Apresentação Slides interativos, Quiz,
modelo treinado e atividade Jupyter Notebook e Avaliação
prática conjunto de dados de
desempenho
1 hora Predição OA3, OA4 Apresentação Slides interativos, Quiz,
e atividade Jupyter Notebook Avaliação
prática de
desempenho
30 min Exportação do modelo para OA8 Apresentação Slides interativos, Quiz,
(Ativid aplicativo móvel e atividade Jupyter Notebook Avaliação
ade prática de
Extra) desempenho
Implicações Éticas e Impactos

30 min Aspectos éticos, segurança, OA9 Apresentação Slides interativos Quiz

privacidade e viés.

2.5. Material Didático

O material didático foi criado com base em materiais didáticos já existentes na

iniciativa Computação na Escola [ALMEIDA 2022]. Foi desenvolvido materiais de
ensino como slides interativos, vídeos tutoriais, quizzes e tarefas práticas. É possível
visualizar exemplos dos materiais didáticos sobre o conteúdo teórico na Tabela 3.

Tabela 3. Exemplos de slides do curso

Slides

Aula 1

Aula 2 Aula 3
 Aula 4 Aula 5

Aula 6 Aula 7

Aula 8 Aula 9

Com o objetivo de motivar a aprendizagem, foi proposto uma atividade

interativa para os alunos, na qual é possível visualizar de forma divertida como a
detecção de objetos funciona (Figura 1).
 Figura 1. Exemplo de atividade interativa

Durante as aulas, são propostas atividades práticas que incentivam o aluno a

acompanhar as etapas do desenvolvimento de um modelo de detecção de objetos. Como
exemplo, é apresentado o desenvolvimento de um app de detecção de objetos
domésticos para cegos, visando localizar objetos comuns dentro de casa.
As atividades práticas são guiadas, sendo apresentadas após explicações de como
executá-las. Com o objetivo de facilitar a aplicação em salas de aula e também para
alunos que não possuem tempo ou recursos necessários, foi disponibilizado conjuntos
de dados rotulados prontos para uso ou soluções que envolviam pesquisas de imagens
na internet. É possível visualizar os exemplos de atividades propostas e seu
desenvolvimento na Tabela 4.

Tabela 4. Exemplos de atividades práticas

Atividade proposta Execução da atividade

4. Conclusão

O presente trabalho apresenta o desenvolvimento do curso “Crie seu primeiro

modelo para detecção de objetos”, com foco no ensino de detecção de objetos para
alunos do Ensino Médio. Primeiramente, foi sintetizada a fundamentação teórica
relativa ao ensino de ML na educação básica brasileira, conceitos de ML e
desenvolvimento de aplicações inteligentes. Posteriormente, por meio de um
mapeamento sistemático, foi levantado o estado da arte em relação a unidades
instrucionais com os objetivos similares ao presente trabalho. Seguindo o design
instrucional foi foi analisado o contexto dos perfis dos estudantes, professores e
ambientes escolares brasileiros para definir os objetivos de aprendizagem e o plano de
ensino do curso. Com base no plano de ensino, o material didático foi desenvolvido
criando slides interativos, vídeos e quizzes, além de atividades práticas, proporcionando
o conteúdo necessário para que o aluno desenvolva o modelo utilizando a ferramenta
ODIN no Jupyter Notebook/Colab.
 Dessa maneira, espera-se contribuir com o ensino de ML na educação brasileira,
apresentando conceitos introdutórios de detecção de objetos aos jovens, estimulando o
seu interesse e os inserindo na área de ML. O curso apresentado agrega ao atual estado
da arte, visto que existem poucas unidades instrucionais que focam no ensino de
detecção de objetos para esse público alvo, principalmente no idioma português.
Com relação a trabalhos futuros, sugere-se a aplicação e avaliação do curso com
alunos do público alvo, visando melhorias e correções dos materiais didáticos por meio
de feedback. Por fim, para a contribuição contínua do tema, sugere-se a criação de
novos cursos com foco no nível create, para que os alunos criem seus próprios modelos
de detecção de objetos com base em suas ideias.

5. Referências

Almeida, B. C. S. Desenvolvimento de um Curso Ensinando a Criação de Apps

Inteligentes para a Classificação de Imagens com Machine Learning e Design Thinking.
2022. Trabalho de Conclusão de Curso. (Graduação em Sistemas de Informação) –
Universidade Federal de Santa Catarina.

Bloom, B. S. & Engelhart, M. D. & Furst, E. J. & Hill, W. H. & Krathwohl, D. R.

Taxonomy of educational objectives: The classification of educational goals. Handbook
I: Cognitive domain. New York: David McKay Company, 1956.

Brasil. Base Nacional Comum Curricular (BNCC). Educação é a Base.

MEC/CONSED/UNDIME, 2017. Disponível em
http://basenacionalcomum.mec.gov.br/images/BNCC_EI_EF_110518_versaofinal_site.
pdf. Acesso em março de 2021.

Cetic.br. TIC Educação 2019. 2020a. Disponível em:

<https://cetic.br/media/analises/tic_educacao_2019_coletiva_imprensa.pdf>. Acesso em
agosto de 2021.

CSTA. CSTA K-12 Computer Science Standards. 2017. Disponível em:

http://www.csteachers.org/standards. Acesso em: julho de 2021.

Google. Teachable Machine. 2021. Disponível em:

https://teachablemachine.withgoogle.com/. Acesso em agosto de 2021.

Hellman, M. AI 101: What is artificial intelligence and where is it going?, Seattle

Times, Disponível em:
https://www.seattletimes.com/business/technology/ai-101-what-is-artificial-intelligence-
and-where-is-it-going/. Acesso em março de 2021.

INEP, Sinopse Estatística da Educação Superior 2019. Brasília: Inep, 2020. Disponível
em: <http://inep.gov.br/sinopses-estatisticas-da-educacao-superior>. Acesso em: agosto
de 2021.
INEP, MEC. Censo da Educação básica 2020. Disponível em:
<https://download.inep.gov.br/publicacoes/institucionais/estatisticas_e_indicadores/nota
s_estatisticas_censo_escolar_2020.pdf>. Acesso em agosto de 2021.

Jing, M. China looks to school kids to win the global AI race, South China Morning
Post, 2018. Disponível em:
https://www.scmp.com/tech/china-tech/article/2144396/china-looks-school-kids-win-gl
obal-ai-race. Acesso em: março de 2020.

Lee, I. et al. Computational thinking for youth in practice. ACM Inroads, 2(1), 32–37,
2011.

Mark J. N. & Hoover, A. K.. Notes on Using Google Colaboratory in AI Education. In:
Proc. of the ACM Conference on Innovation and Technology in Computer Science
Education. ACM, New York, NY, USA, 533–534, 2020.

Marques, L. & Gresse von Wangenheim, C. & Hauck, J. Teaching Machine Learning in
School: A Systematic Mapping of the State of the Art. Informatics in Education, 19(2),
283-321. 2020.

O'Hara, K. & Blank, D. & Marshall, J. Computational Notebooks for AI Education. In:
Proc. of the 28th International Florida Artificial Intelligence Research Society
Conference, Hollywood, FL, USA, 2015.

SBC. Diretrizes para ensino de Computação na Educação Básica. 2018. Disponível em:
https://www.sbc.org.br/documentos-da-sbc/send/203-educacao-basica/1220-bncc-em-iti
nerario-informativo-computacao-2. Acesso em: março de 2021.

Tech Girlz. Tech Girlz: Artificial Intelligence: How Computers Learn, 2020. Disponível
em:https://www.techgirlz.org/topic/artificial-intelligence-computers-learn/. Acesso em
abril de 2021.

Touretzky, D. et al. Envisioning AI for K-12: What Should Every Child Know about
AI? Proc. of the AAAI Conference on Artificial Intelligence, Honolulu, HI, USA,
9795–9799, 2019.

Verschae, R. & Ruiz-Del-Solar, J. Object detection: current and future directions.

Frontiers in Robotics and AI, v. 2, p. 29, 2015.