AI Literacy

A literacia em IA é a capacidade de compreender, usar e avaliar criticamente a inteligência artificial, reconhecendo as suas limitações e responsabilidades. Ter literacia em IA significa saber o suficiente para escolher uma ferramenta adequada, questionar os resultados, proteger informações sensíveis e decidir quando é necessário recorrer ao discernimento humano. Não é preciso tornar-se engenheiro de IA: o objetivo é participar de forma informada, não dominar todos os algoritmos.

Esta competência aplica-se a chatbots, sistemas de recomendação, modelos preditivos e visão computacional, que analisa imagens e vídeo. Em todas estas aplicações, a pergunta central é a mesma: que evidências justificam confiar neste sistema para esta tarefa?

Competências essenciais de literacia em IA#

Um bom ponto de partida é a combinação de compreensão, avaliação e utilização responsável descrita no quadro de literacia em IA da Digital Promise. Estas capacidades reforçam-se mutuamente.

Compreender inclui reconhecer que a aprendizagem automática aprende padrões a partir de dados, em vez de seguir apenas regras explicitamente programadas. Um modelo é um software treinado para fazer previsões ou gerar conteúdo. Como explica a introdução da Google à aprendizagem automática, diferentes abordagens de aprendizagem permitem realizar diferentes tarefas. O treino desenvolve o modelo; a inferência aplica-o a novas entradas.

Avaliar significa verificar se os resultados são precisos e adequados ao contexto a que se destinam. Uma redação fluente não prova que algo é verdadeiro, e uma previsão confiante não é garantia. É importante perguntar se os dados de avaliação são semelhantes ao ambiente onde o sistema vai funcionar.

A utilização responsável acrescenta questões sobre privacidade, equidade e responsabilização. Quem pode ser prejudicado por um erro? Que informações devem permanecer privadas? Quem revê as decisões com consequências importantes? O Quadro de Gestão de Riscos de IA do NIST oferece uma base estruturada para analisar estes riscos.

Literacia em IA e conceitos relacionados#

A literacia em IA sobrepõe-se à literacia digital, que diz respeito à utilização e avaliação das tecnologias digitais em geral. A literacia de dados centra-se mais especificamente na interpretação de dados, estatísticas e evidências. A literacia em IA relaciona estas competências com sistemas que fazem previsões, geram conteúdo ou apoiam decisões.

A engenharia de prompts — conceber instruções para um modelo de IA — é uma competência prática de literacia em IA, não um substituto desta. Alguém pode escrever prompts eficazes e, ainda assim, não detetar respostas incorretas ou a partilha inadequada de dados.

Do mesmo modo, a ética da IA analisa princípios como a equidade e a responsabilização; a literacia em IA ajuda as pessoas a aplicar esses princípios nas interações do dia a dia. A explicação de Stanford sobre literacia em IA salienta que utilizar ferramentas e avaliar as suas implicações éticas são capacidades distintas e complementares.

Aplicações no mundo real#

Inspeção na indústria: Imagina um sistema de deteção de defeitos baseado em câmaras que verifica se os produtos têm fissuras. Um operador com literacia em IA distingue os falsos positivos — produtos aceitáveis assinalados como defeituosos — dos falsos negativos — produtos defeituosos que não são detetados. Os primeiros provocam rejeições desnecessárias; os segundos deixam passar defeitos na inspeção. Compreender a precisão e a revocação ajuda a equipa a avaliar ambos os tipos de erro: a precisão mede quantos dos defeitos assinalados são reais, enquanto a revocação mede quantos dos defeitos reais são detetados.

Apoio em sala de aula: Um aluno usa um chatbot para obter uma explicação sobre um tema de ciências. Um aluno com literacia em IA considera a resposta um ponto de partida, verifica as afirmações factuais nos materiais da disciplina e evita fornecer informações pessoais. O professor pede aos alunos que expliquem as correções e indiquem quando recorreram à ferramenta. Assim, a utilização da ferramenta torna-se uma oportunidade para praticar a verificação e o raciocínio autónomo, em consonância com a abordagem centrada no ser humano do quadro de competências em IA para estudantes da UNESCO.

Um exercício prático de visão computacional#

A inspeção prática torna palpável a diferença entre uma previsão e a realidade. Instala o pacote com pip install -U ultralytics, seguindo o guia de instalação da Ultralytics.

Este exemplo usa Ultralytics YOLO com um modelo de deteção YOLO26 pré-treinado e o fluxo de trabalho de previsão documentado:

from ultralytics import YOLO

# Carrega um modelo de deteção de objetos pré-treinado.
model = YOLO("yolo26n.pt")

# Executa a inferência numa imagem de exemplo pública.
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Guarda as previsões com rótulos para inspeção visual.
result.save(filename="ai_literacy_example.jpg")

A imagem guardada mostra os rótulos e as caixas dos objetos previstos. Compara-os com o que consegues ver: há objetos que não foram detetados, foram classificados incorretamente ou estão mal localizados? Este exercício desenvolve a capacidade de avaliação crítica; o sucesso numa única imagem não demonstra fiabilidade noutros ambientes.

Desenvolver e avaliar a literacia em IA#

Começa por uma tarefa conhecida, identifica o aspeto que teria um resultado correto e decide que erros são importantes. Compara os resultados com evidências independentes e documenta as limitações antes de alargar a utilização.

No caso das crianças, utiliza atividades adequadas à idade que permitam observar os erros sem exigir programação avançada. As aulas de literacia em IA da Common Sense Education apoiam conversas sobre enviesamento, qualidade da informação e participação responsável.

Avalia a literacia com base no discernimento demonstrado, não apenas na familiaridade com as ferramentas. O aluno consegue explicar as limitações de um resultado, verificar uma afirmação, proteger dados privados e justificar quando não deve usar IA? Estas capacidades são aplicáveis a diferentes ferramentas e aplicações.