Ficha Unidade Curricular (FUC)
Informação Geral / General Information
Carga Horária / Course Load
Área científica / Scientific area
480 - Informática
Departamento / Department
Departamento de Tecnologias Digitais
Ano letivo / Execution Year
2025/2026
Pré-requisitos / Pre-Requisites
-
Objetivos Gerais / Objectives
OG1: Familiarizar os estudantes com os fundamentos da Inteligência Artificial (IA) e a sua evolução, abrangendo lógica de predicados e sistemas baseados em conhecimento. OG2: Capacitar para a deteção de problemas que podem ser resolvidos por IA, focando métodos de representação de conhecimento. OG3: Desenvolver competências iniciais em aprendizagem automática, incluindo classificação, regressão e avaliação de modelos. OG4: Introduzir os princípios essenciais da IA Generativa, explorando a engenharia de prompts e as suas aplicações. OG5: Incentivar uma perspetiva crítica sobre limitações e oportunidades da IA, reforçando a escolha adequada de técnicas. OG6: Promover a articulação dos módulos para solucionar cenários multidisciplinares, integrando considerações éticas e impacto socioeconómico. OG7: Estimular a reflexão sobre implicações sociais da IA, promovendo responsabilidade e inovação sustentável.
Objetivos de Aprendizagem e a sua compatibilidade com o método de ensino (conhecimentos, aptidões e competências a desenvolver pelos estudantes) / Learning outcomes
Após a conclusão da UC, os alunos devem: OA1: Reconhecer os fundamentos da IA, relacionando lógica de predicados e sistemas baseados em conhecimento. OA2: Construir e interpretar modelos simples de aprendizagem automática, distinguindo algoritmos de classificação e regressão, definindo métricas de avaliação adequadas. OA3: Aplicar métodos de raciocínio dedutivo e indutivo, compreendendo como a representação de conhecimento e heurísticas apoiam a tomada de decisão. OA4: Analisar criticamente a adequação de abordagens de IA a contextos específicos, considerando dados, desempenho, e implicações éticas. OA5: Implementar estratégias iniciais de IA Generativa, enfatizando engenharia de prompts e geração de conteúdos inovadores. OA6: Demonstrar capacidade de investigação e experimentação autónoma, integrando conceitos de IA em projetos colaborativos. OA7: Refletir sobre limitações e impactos socioeconómicos da IA, adotando uma postura responsável na seleção e aplicação de metodologias.
Conteúdos Programáticos / Syllabus
CP1: Conceitos essenciais de IA: definição, evolução histórica e relevância multidisciplinar. CP2: Lógica de predicados e sistemas baseados em conhecimento: representação, dedução e aplicações. CP3: Métodos de raciocínio e heurísticas: procura informada e não informada, seleção de estratégias adequadas. CP4: Introdução à aprendizagem automática: noções básicas, algoritmos de classificação e regressão, métricas de avaliação. CP5: Modelos preditivos simples: conceção, implementação e análise de resultados em cenários reais. CP6: IA Generativa: fundamentos, engenharia de prompts e aplicações criativas. CP7: Abordagem crítica às limitações, desafios éticos e implicações socioeconómicas da IA.
Demonstração da coerência dos conteúdos programáticos com os objetivos de aprendizagem da UC / Evidence that the curricular unit's content dovetails with the specified learning outcomes
Os conteúdos programáticos (CP1 a CP7) refletem uma articulação direta com os objetivos de aprendizagem (OA1 a OA7). CP1 e CP2 fornecem fundamentos de IA e lógica de predicados, respondendo ao reconhecimento de conceitos fundamentais (OA1) e à aplicação da lógica em resolução de problemas (OA4). Em CP3, exploram-se métodos de raciocínio e heurísticas, alinhados com a capacidade de análise crítica (OA4) e a deteção de problemas resolvíveis por IA (OA1, OA2). CP4 e CP5 asseguram o desenvolvimento de modelos simples de aprendizagem automática e a avaliação de resultados (OA2, OA3). Já CP6 introduz a IA Generativa, incentivando soluções inovadoras (OA5). Por fim, CP7 aborda implicações éticas e socioeconómicas, fomentando a reflexão responsável (OA7) e reforçando a postura crítica e colaborativa (OA6). Dessa forma, cada conteúdo sustenta os objetivos definidos, garantindo coerência na aquisição de competências.
Avaliação / Assessment
A avaliação desta UC segue o modelo de Avaliação ao Longo do Semestre (ALS), prevista no RGACC, e contempla vários momentos, organizados em três blocos de avaliação (BA), visando aferir o progresso e a consolidação dos conhecimentos. A sua composição é a seguinte: - BA1: Mini-tarefas práticas (40%) Conjunto de pequenas tarefas laboratoriais ou exercícios de implementação, cada uma com uma ponderação equivalente, totalizando 40% da nota final. São obrigatórias para reforçar as competências em programação e experimentação de algoritmos de IA. - BA2: Testes escritos (30%) Dois testes, cada um valendo 30%. Incidem sobre os conteúdos fundamentais de IA, aprendizagem automática e IA generativa. Têm como objetivo aferir a compreensão teórica e a aplicação prática dos conceitos. - BA3: Projeto final em IA (40%) Trabalho de grupo ou individual que engloba a conceção, implementação e avaliação de um protótipo ou estudo de caso com base nos conteúdos lecionados. Pretende-se que os estudantes desenvolvam capacidade de integração e reflexão crítica. Cada bloco de avaliação requer uma nota mínima de 8,5 valores. Caso seja necessário, poderá ser realizada uma discussão oral individual para confirmação de conhecimentos. A nota final mínima para aprovação na UC é de 10 valores, resultante da soma ponderada dos três blocos. -- Avaliação por exame Para quem optar pela avaliação por exame ou não atingir aprovação na avaliação contínua, a avaliação é feita através de teste escrito individual que cobre todos os conteúdos do programa. A presença nas aulas não é obrigatória, mas a participação ativa é fortemente recomendada. Para além do RGACC, aplica-se o Regulamento de Estudantes com Estatuto Especial (REEE) e o Código de Conduta Académica (CCA), salvaguardando condições específicas de avaliação e conduta.
Metodologias de Ensino / Teaching methodologies
A metodologia de ensino e aprendizagem desta UC baseia-se numa abordagem prática e transversal, em consonância com o modelo pedagógico do Iscte, promovendo uma aprendizagem ativa e centrada no estudante. Inicialmente, são realizadas sessões teóricas expositivas para apresentar os conceitos fundamentais de Inteligência Artificial (IA), reforçadas por exemplos reais e estudos de caso. Estas sessões fornecem a base necessária para que, posteriormente, em aulas práticas ou laboratoriais, os estudantes possam experimentar, implementar e validar algoritmos e técnicas de IA, utilizando ferramentas de programação e dados concretos. A resolução de problemas e tarefas práticas constituem elementos centrais, incentivando a pesquisa autónoma e o pensamento crítico. Em grupos ou de forma individual, os estudantes são desafiados a conceber soluções que integrem os conteúdos de IA tradicional, aprendizagem automática e IA generativa, estimulando a criatividade e o raciocínio. Esta componente prática é complementada por debates em sala de aula, análise de casos e dinâmicas de discussão, fomentando a troca de ideias e a cooperação entre pares. O trabalho autónomo assume também grande relevância, quer através de leituras adicionais e exercícios, quer pela exploração de plataformas e bibliotecas de IA que permitam aprofundar conhecimentos. São igualmente promovidos momentos de tutoria, presenciais ou online, para esclarecimento de dúvidas e acompanhamento do progresso dos estudantes, respeitando ritmos e estilos de aprendizagem diferenciados. Para consolidar a aquisição de competências, recorre-se a uma avaliação ao longo do semestre que inclui testes, projetos, relatórios e apresentações orais. Este esquema de avaliação está alinhado com o modelo pedagógico do Iscte, ao valorizar o envolvimento ativo, a colaboração e a reflexão crítica. Deste modo, assegura-se que os estudantes desenvolvem não apenas conhecimentos teóricos, mas também capacidades práticas de conceção, implementação e avaliação de soluções de IA.
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 adotadas nesta UC foram definidas para assegurar a concretização efetiva dos objetivos de aprendizagem (OA). As aulas expositivas, suportadas por casos práticos, apresentam os conceitos fundamentais de Inteligência Artificial (IA), alinhando-se com o reconhecimento dos fundamentos e respetiva aplicação na resolução de problemas (OA1). Em seguida, as sessões práticas e laboratoriais permitem aos estudantes construir e interpretar modelos de aprendizagem automática, distinguindo algoritmos de classificação e regressão, bem como selecionar métricas de avaliação adequadas (OA2). A resolução de exercícios e projetos estimula a aplicação de raciocínio dedutivo e indutivo, reforçando a compreensão da representação de conhecimento e a utilização de heurísticas na tomada de decisão (OA3). Simultaneamente, as discussões em sala de aula e a análise de cenários reais fomentam a reflexão crítica acerca da adequação de diferentes abordagens de IA, tendo em conta fatores de desempenho, disponibilidade de dados e considerações éticas (OA4). No que diz respeito à IA Generativa, a elaboração de atividades envolvendo a engenharia de prompts permite aos estudantes experimentar estratégias iniciais de criação de conteúdos, desenvolvendo soluções inovadoras (OA5). Paralelamente, o modelo pedagógico promove a autonomia, encorajando a pesquisa independente e a colaboração em grupo, componentes cruciais para a integração prática dos conhecimentos (OA6). Finalmente, a reflexão contínua acerca das limitações e impactos socioeconómicos da IA é assegurada por debates, apresentações e feedback estruturado, contribuindo para uma postura responsável na aplicação das metodologias (OA7). Desta forma, cada metodologia contribui de forma clara para o cumprimento dos objetivos de aprendizagem, garantindo uma progressão lógica desde a aquisição de conceitos fundamentais até à aplicação crítica e inovadora em contextos reais de IA.
Observações / Observations
-
Bibliografia Principal / Main Bibliography
Bibliografia Secundária / Secondary Bibliography
Data da última atualização / Last Update Date
2025-07-21