Mantendo a Integridade Acadêmica com IA
Como abordar a integridade acadêmica em projetos práticos usando IA
Este blog descreve como incorporei ferramentas de Inteligência Artificial (IA) em projetos empíricos dos alunos, enfatizando a integridade acadêmica. Na minha aula de Econometria, que ensino para alunos do sexto semestre de economia na Universidade de Monterrey, desenhei uma atividade para resolver problemas práticos e comunicar resultados usando IA.
Projetos de Modelagem Preditiva com IA Enfatizando a Integridade Acadêmica
Na economia, um projeto empírico implica produzir pesquisa com informações observáveis e verificáveis. Três exemplos de projetos empíricos são 1) a evolução da poluição em Monterrey e na Cidade do México, México, de 1990-2022; 2) os co-movimentos no preço do aço e do cobre ao longo do tempo; e 3) prever o preço das ações de uma determinada empresa. Essas informações podem vir de um banco de dados, de uma pesquisa ou de um experimento. Como o curso envolve séries temporais, os dados são observações de uma ou mais variáveis ao longo do tempo; essas informações são úteis para estudar fatos ao longo de um período, fazer previsões e desenvolver políticas públicas de curto, médio ou longo prazo para resolver um problema em uma região ou país. O projeto da aula envolveu pesquisar tópicos de economia ou finanças, sócio-demográficos ou questões ambientais no México ou em qualquer outro país; o objetivo é tentar responder a uma pergunta usando dados reais. O estudo foi realizado em três etapas, seguindo a estrutura geral descrita por Wooldridge (2015): Na economia, um projeto empírico implica produzir pesquisa com informações observáveis e verificáveis. Três exemplos de projetos empíricos são 1) a evolução da poluição em Monterrey e na Cidade do México, México, de 1990-2022; 2) os co-movimentos no preço do aço e do cobre ao longo do tempo; e 3) prever o preço das ações de uma determinada empresa. Essas informações podem vir de um banco de dados, de uma pesquisa ou de um experimento. Como o curso envolve séries temporais, os dados são observações de uma ou mais variáveis ao longo do tempo; essas informações são úteis para estudar fatos ao longo de um período, fazer previsões e desenvolver políticas públicas de curto, médio ou longo prazo para resolver um problema em uma região ou país. O projeto da aula envolveu pesquisar tópicos de economia ou finanças, sócio-demográficos ou questões ambientais no México ou em qualquer outro país; o objetivo é tentar responder a uma pergunta usando dados reais. O estudo foi realizado em três etapas, seguindo a estrutura geral descrita por Wooldridge (2015):
Fase 1
O tópico é escolhido, o problema a ser resolvido é definido e a pergunta de pesquisa é formulada.
Fase 2
Os alunos usam software econométrico para programar bancos de dados, criar variáveis, fazer estatísticas, estimar modelos econométricos ou previsões.
Fase 3
Apresentação dos resultados.
O trabalho foi realizado em equipes utilizando a metodologia de aprendizado baseado em projetos. Método: Como podemos usar ferramentas de IA em projetos empíricos de economia? Como o curso envolve aprendizado de processamento de dados, aplicação de técnicas estatísticas e econométricas, estimação de modelos e previsão de variáveis, os alunos devem aprender a programar usando software econométrico. O curso ensina os alunos a programar usando um software específico (Stata). Ao longo do semestre, eles aprendem vários códigos de programação que lhes permitem executar tarefas como gráficos, estatísticas descritivas, estimativa de um modelo e previsão de variáveis. No entanto, no processo de pesquisa, os alunos enfrentam dados reais e encontram desafios que requerem códigos adicionais. Procurar códigos de programação usando motores de busca tradicionais pode levar tempo e nem sempre resulta na obtenção da informação necessária. Os alunos às vezes precisam de ajuda com o software econométrico devido à natureza dos dados, à escolha do modelo a ser estimado ou às variáveis a serem previstas. Portanto, usar ferramentas de IA generativa (GenAI) para programação poderia mitigar essas dificuldades (IBM Education, 2023). Observando esse potencial para resolver os problemas levantados, sugeri as seguintes ferramentas que podem ajudar na busca de informações, economizando tempo e produzindo variedade de conteúdo ao editar e gerar códigos:
- Elicit: uma ferramenta de IA usada para buscar artigos científicos relevantes e analisá-los.
- Perplexity: um chatbot que responde a perguntas e pode buscar informações sobre tópicos específicos, resumir e produzir códigos de programação.
- ChatGPT: similar ao Perplexity, uma ferramenta de IA que responde perguntas, gera texto e automatiza tarefas específicas.
- AIcyclopedia: um diretório de ferramentas de IA que sugere quais podem ser usadas para atender às necessidades do usuário.
Permiti que os alunos usassem ferramentas de IA adicionais, desde que me informassem. Para observar a adoção dos alunos ao GenAI com ênfase na integridade acadêmica, desenhei um formulário para rastrear as ferramentas de IA usadas pelos alunos na minha aula. Se usassem GenAI, eles tinham que preencher o formulário ao enviar o manuscrito final. Além do formulário de rastreamento, desenhei três recursos educacionais (detalhados abaixo) para informar os alunos sobre o que era esperado em cada entrega e introduzi ferramentas de IA.
- Mostrei aos alunos como formular uma pergunta de pesquisa com e sem as ferramentas e como buscar um tópico de pesquisa. Usando o Perplexity AI, os alunos tinham que responder: "O que pode ser investigado no México usando técnicas de séries temporais?" A ferramenta deu uma série de resultados e, a partir daí, os alunos orientaram sua busca de acordo com seus interesses.
- Apresentei aos alunos um exemplo de como escrever a metodologia do projeto empírico. Além disso, para ampliar seu entendimento, eles usaram o ChatGPT ou o Perplexity AI para escrever o método para um projeto empírico relacionado a séries temporais.
- Mostrei aos alunos como buscar e editar códigos de programação do ChatGPT e do Perplexity AI. Isso minimizou os tempos de busca e melhorou a saída de informações.
Resultados: Tendo adotado e usado as ferramentas, os alunos estavam tanto abertos quanto cautelosos em relação ao GenAI ao final do curso. Algumas equipes mencionaram que, embora as ferramentas fossem úteis, eles precisavam manter o pensamento crítico em relação ao seu uso. Algumas equipes disseram que a busca por informações confiáveis os motivou a usar as ferramentas. Além disso, as ferramentas de IA sugeriram alguns artigos para a revisão da literatura que os alunos não conseguiram encontrar usando ferramentas de busca tradicionais. Essas sugestões os levaram a buscar os artigos nas bases de dados da biblioteca universitária. As ferramentas de IA poderiam motivar os alunos a melhorar suas buscas de informações usando fontes confiáveis, elevando assim a qualidade da revisão da literatura e a discussão dos resultados. No entanto, alguns afirmaram que não conseguiram acessar os artigos sugeridos pelas ferramentas porque "muitos artigos eram privados", então tiveram que procurá-los na biblioteca. Em relação aos códigos de programação, os alunos indicaram que a IA economizou tempo e resolveu várias de suas preocupações.
Saiba mais em: https://academicintegrity.org/resources/blog/128-2024/may-2024/503-how-to-address-academic-integrity-in-practical-projects-using-ai
