O Capítulo 5 está estruturado em três divisões principais que abordam a justificativa educacional, a arquitetura técnica rigorosamente detalhada e a aplicação do framework em um cenário real.
Índice do Capítulo
5.1 Relevância para o Ambiente Educacional
Esta seção justifica a criação do framework face à disparidade tecnológica que afeta o ensino em regiões rurais e remotas, propondo uma solução de inclusão digital profunda e duradoura no Brasil.
O Problema Estrutural
O acesso restrito a equipamentos adequados e a falta crónica de conectividade impedem comunidades desfavorecidas de utilizar tecnologias de ensino modernas.
A Solução Proposta
Adoção de Computadores de Placa Única (SBCs) e servidores locais. Esta abordagem surge como uma alternativa de baixo custo, eliminando a dependência de infraestruturas caras ou de internet constante.
Impacto dos LLMs
Grandes Modelos de Linguagem (LLMs) de código aberto, quando adaptados ao contexto local, oferecem um enorme potencial transformador ao garantirem feedback automático e ensino personalizado, com o objetivo de influenciar políticas educacionais.
5.2 Descrição da Arquitetura do AInclude
Esta é a seção técnica do capítulo, onde a arquitetura do framework é apresentada de forma rigorosa através de 8 etapas fundamentais que compõem o fluxo do processo tecnológico e pedagógico.
1. Interface de Conexão
InfraestruturaConfiguração física da rede, que inclui o uso de SBCs (como Raspberry Pi e Orange Pi), servidores locais para processamento de requisições e APIs desenhadas para operar em modo online e offline.
2. Seleção de LLMs
Modelos BaseSeleção e adaptação de modelos de IA de código aberto (TinyLLama, Mistral, GPT-Neo) com até 3 mil milhões de parâmetros, otimizados para execução em hardwares com recursos limitados.
3. Avaliação Técnica
BenchmarksFase de testes de estresse. O hardware é avaliado quanto à estabilidade e uso de memória, enquanto os LLMs são submetidos a rigorosos benchmarks de latência e precisão de resposta.
4. Treinamento e Refinamento
EspecializaçãoEducação da IA para o contexto da sala de aula utilizando o Fine-Tuning (ajuste fino com textos didáticos e redações) em conjunto com a técnica RAG (Recuperação e Geração) para assertividade.
5. Interfaces e Agentes de IA
MultiagenteImplementação em vez de uma IA genérica, o sistema utiliza "Personas" especializadas em diferentes aspetos da correção textual, viabilizando um feedback isolado e altamente detalhado.
6. Avaliação do Treinamento
ValidaçãoRealização de testes práticos para garantir que o RAG, o processo de fine-tuning e as interações das Personas funcionem em harmonia e forneçam informações pedagogicamente precisas.
7. Implantação e Correção
OperaçãoFase de operação prática onde os modelos analisaram ativamente os textos dos alunos sob critérios de gramática, coesão e argumentação, visando reduzir o volume de trabalho do professor.
8. Avaliação da Implantação
MonitoramentoMonitoramento contínuo da ferramenta durante o seu uso. A partir do feedback recebido, o sistema sofre ajustes dinâmicos para permanecer estritamente alinhado às metas pedagógicas.
5.3 Cenário de Aplicação do Modelo
Esta divisão final ilustra, na prática, como o AInclude é utilizado nas escolas. Consiste num estudo de caso voltado para a correção automatizada de redações integrando Processamento de Linguagem Natural (PLN) e visão computacional, executado integralmente em modo offline.
Submissão e Análise Inicial
Os alunos enviam as suas redações e a ferramenta gera automaticamente um feedback preliminar estruturado com base nos critérios normativos de avaliação.
Revisão por Especialistas
Professores realizam uma avaliação duplo-cega da correção feita pela máquina para garantir imparcialidade e atestar a precisão clínica da Inteligência Artificial.
Reescrita e Avaliação Final
Com o feedback inicial em mãos, os alunos corrigem os seus textos e submetem a uma nova rodada de avaliação pelos especialistas, validando o ciclo de aprendizagem.