Ficha Unidade Curricular (FUC)

Informação Geral / General Information


Código :
04098
Acrónimo :
04098
Ciclo :
1.º ciclo
Línguas de Ensino :
Português (pt)
Língua(s) amigável(eis) :
Português

Carga Horária / Course Load


Semestre :
2
Créditos ECTS :
6.0
Aula Teórica (T) :
0.0h/sem
Aula Teórico-Prática (TP) :
36.0h/sem
Aula Prática e Laboratorial (PL) :
0.0h/sem
Trabalho de Campo (TC) :
0.0h/sem
Seminario (S) :
0.0h/sem
Estágio (E) :
0.0h/sem
Orientação Tutorial (OT) :
1.0h/sem
Outras (O) :
0.0h/sem
Horas de Contacto :
37.0h/sem
Trabalho Autónomo :
113.0
Horas de Trabalho Total :
150.0h/sem

Área científica / Scientific area


480 - Informática

Departamento / Department


Departamento de Tecnologias Digitais

Ano letivo / Execution Year


2024/2025

Pré-requisitos / Pre-Requisites


-

Objetivos Gerais / Objectives


O objetivo principal desta unidade curricular é proporcionar uma compreensão abrangente das características e desafios dos dados, juntamente com a aplicação de técnicas baseadas em IA para a extração de conhecimento na área da educação. Os alunos enfrentarão desafios relacionados com a gestão e segurança dos dados. A unidade introduzirá o papel da inteligência artificial na extração de informações valiosas a partir de dados estruturados. Além disso, os alunos compreenderão as considerações éticas e legais pertinentes à análise de dados educacionais. No final da unidade, os alunos aplicarão proficientemente metodologias de IA para abordar colaborativamente desafios reais de dados em ambientes educacionais.

Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes


OA1: Reconhecer tipos de dados OA2: Enfrentar desafios de dados OA3: Aplicar IA para Extração de Conhecimento OA4: Melhorar a qualidade dos dados OA5: Implementar Técnicas de IA OA6: Navegar por aspectos éticos e legais OA7: Comunicar Insights Efetivamente OA8: Colaborar em projectos de IA OA9: Integrar ferramentas e bibliotecas de IA OA10: Aplicações no sector da educação

Conteúdos Programáticos / Syllabus


CP1: Introdução aos dados * Definição e conceitos chave CP2: Desafios dos dados na área da educação CP3: Fundamentos de IA para extração de conhecimentos CP4: Técnicas de IA para análise de dados CP5: Considerações éticas e jurídicas CP6: Comunicação eficaz dos resultados CP7: Projectos colaborativos de IA na área da educação CP8: Ferramentas e bibliotecas para dados CP9: Aplicações de IA na área da educação CP10: Apresentação e reflexão do projeto

Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular units content dovetails with the specified learning outcomes


OA1, que foca no reconhecimento do tipo de dados, é abordado através do CP1, onde os alunos são introduzidos aos dados. OA2, relacionado aos desafios de dados, está ligado ao CP2, que explora esses desafios na educação. OA3 envolve a aplicação de IA para extração de insights, com CP3 fornecendo fundamentos de IA e CP4 oferecendo técnicas de análise. OA4, que trata da melhoria da qualidade dos dados, é suportado pelo CP4, que enfatiza técnicas de IA. OA5, centrado na implementação de técnicas de IA, relaciona-se com CP4, CP8 e CP9, que abordam análise de dados, ferramentas e aplicações de IA na educação. OA6, sobre aspectos éticos e jurídicos, está ligado ao CP5. OA7 é tratado pelo CP6, que se concentra na comunicação de resultados. OA8 envolve projetos de IA, com CP7 focando em projetos colaborativos e CP10 em apresentações. OA9 está ligado ao CP8, enquanto OA10 é coberto pelo CP9.

Avaliação / Assessment


Avaliação ao longo do semestre (só disponível na 1ª Época): Realização de 3 trabalhos ao longo do semestre e um teste no fim: os trabalhos são realizados em grupo, sendo um em aula e os restantes autonomamente. O trabalho de aula representa 10% da nota final, e os autonomos 20% cada, com nota mínima de 9,5 valores. O teste representa 50% da nota, com nota mínima de 8 valores. A média das avaliações terá de ser igual ou superior a 9,5 valores em cada um dos trabalhos. As notas dos trabalhos poderão variar pelo desempenho demonstrado individualmente numa discussão oral, a ocorrer (para o grupo) no caso da nota (de um dos elementos) entre o teste e o trabalho tiver uma diferença superior a 3 valores. É exigida uma assiduidade mínima não inferior a 2/3 das aulas. Dado o caráter prático da UC não há lugar a avaliação por exame. Melhoria de nota só pode ser feita repetindo o processo de avaliação no ano seguinte.

Metodologias de Ensino / Teaching methodologies


A UC Dados de Inteligência Artificial Aplicada à Educação adotará como metodologia de ensino e aprendizagem central a Aprendizagem Baseada em Estudos de Caso, combinada com Aprendizagem Baseada em Tarefas. A gamificação será utilizada como estratégia de motivação e envolvimento dos estudantes. Esta abordagem pedagógica está articulada com o modelo pedagógico do Iscte porque o estudante é considerado um agente ativo no seu processo de aprendizagem, o conhecimento é trabalhado como uma ferramenta para a construção e desenvolvimento de mais conhecimento e aplicado em diversos contextos. 

Demonstração da coerência das metodologias de ensino e avaliação com os objetivos de aprendizagem da UC / Evidence that the teaching and assessment methodologies are appropriate for the learning outcomes


As metodologias de ensino foram selecionadas de forma a corresponder aos objetivos de aprendizagem da UC. Através de uma combinação de momentos de aprendizagem, os estudantes irão realizar tarefas com diferentes níveis de apoio e orientação docente ao longo da UC que lhes permitirá, numa primeira fase compreender os princípios e conceitos presentes nos Dados de Educação e de Inteligencia Articial, posteriormente, analisar as suas implicações nas organizações e na sociedade. Irão ainda aplicar conhecimentos teóricos e desenvolver competências de análise e pensamento crítico, necessários à identificação dos principais desafios e oportunidades que podemos encontrar no sector da educação. O docente dará feedback (corretivo e/ou cognitivo) sobre as tarefas e estudos de caso. Os estudantes irão ainda explorar casos de estudo de sucesso e boas práticas através da utilização de casos reais ou fictícios como ponto de partida para a aprendizagem. Os estudantes terão acesso a informações detalhadas sobre o caso, incluindo contexto, personagens e problemas específicos a serem resolvidos. Seguirão uma sequência predefinida de análise, discussão e solução do caso. Esta abordagem permitirá que os estudantes estabeleçam conexões entre os conhecimentos teóricos e práticos. Como estratégia de motivação, a unidade curricular incluirá a gamificação ao longo do semestre, onde os estudantes ao longo do semestre realizarão trabalhos praticos à medida (com impacto direto na nota), garantindo o seu envolvimento ao longo da UC.

Observações / Observations


-

Bibliografia Principal / Main Bibliography


Wes Mckinney, Python for Data Analysis, 2e: Data Wrangling with Pandas, NumPy, and IPython - Publisher: O'Reilly Media; Publication date: November 2017 Chris Albon, Machine Learning with Python Cookbook: Practical solutions from preprocessing to deep learning - Publisher: O'Reilly Media; Publication date: May 2018 Géron, A. (2019). Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. - Publisher: O'Reilly Media; Publication date: September 2019 Daniel Nelson, Data Visualization in Python - Publisher: ‎ Independently; Publication date: September 2020 O'Reilly, T. (2010). Open Government: Collaboration, Transparency, and Participation in Practice - Publisher: O'Reilly Media; Publication date: February 2010 OpenCV: Open Source Computer Vision Library. (https://opencv.org/) TensorFlow: An Open Source Machine Learning Framework for Everyone. (https://www.tensorflow.org/)

Bibliografia Secundária / Secondary Bibliography


Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education. Boston: Center for Curriculum Redesign. Furey, H., & Martin, F. (2019). AI education matters: A modular approach to AI ethics education. AI Matters, 4(4), 13-15. Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee Access, 8, 75264-75278. Chassignol, M., Khoroshavin, A., Klimova, A., & Bilyatdinova, A. (2018). Artificial Intelligence trends in education: a narrative overview. Procedia Computer Science, 136, 16-24. Nkambou, R., Mizoguchi, R., & Bourdeau, J. (Eds.). (2010). Advances in intelligent tutoring systems (Vol. 308). Springer Science & Business Media.

Data da última atualização / Last Update Date


2024-10-29