Educação Climática 4.0: Como Potencializar o Papel dos Professores com PLN e KG?
Resumo
A proposta de Educação Climática 4.0 explora o uso de técnicas de Inteligência Artificial, como Processamento de Linguagem Natural (PLN) e Grafos de Conhecimento (KG), para aprimorar o ensino sobre mitigação dos impactos das mudanças climáticas. A pesquisa segue três fases: Revisão Sistemática, Análise Comparativa e Aplicação Pedagógica. O estudo identifica a educação como elemento chave, destacando o PLN como ferramenta de personalização do aprendizado, possibilitando currículos dinâmicos e ágeis. Os KG são ressaltados por seu papel na criação de materiais didáticos interativos e na visualização de cenários complexos. O alinhamento dessas tecnologias com a educação evidencia o potencial transformador da IA como tendência para preparar a sociedade para crises climáticas, fortalecendo o papel dos professores nesse processo.
Palavras-chave:
Educação Climática, Processamento de Linguagem Natural, Grafos de Conhecimento
Referências
GAUCHAZH. Eventos extremos estão sendo antecipados pela falta de combate às mudanças climáticas, diz pesquisadora. Disponível em: https://gauchazh.clicrbs.com.br/ambiente/noticia/2024/05/tragedia-no-rio-grande-do-sul-foiintensificada-por-mudancas-climaticas-confirma-estudo-clw10tnux00pl0152sbqcgnxa.html. Acesso em: 5 set. 2024.
GIL-CLAVEL, S.; WAGENBLAST, T.; FILATOVA, T. Farmers’ Incremental and Transformational Climate Change Adaptation in Different Regions: A Natural Language Processing Comparative Literature Review. 2023.
PAN, S. L.; NISHANT, R. Artificial intelligence for digital sustainability: An insight into domain-specific research and future directions. Journal of Artificial Intelligence, Londres, v. 12, n. 3, p. 150–165, jun. 2023. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S026840122300049X. Acesso em: 10 ago. 2024.
NISHANT, R.; KENNEDY, M.; CORBETT, J. Artificial intelligence for sustainability: Challenges, opportunities, and a research agenda. Journal of Artificial Intelligence Research, Londres, v. 8, n. 2, p. 85–102, mar. 2021. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0268401220300967?via%3Dihub. Acesso em: 10 ago. 2024.
GALAZ, V. et al. Artificial intelligence, systemic risks, and sustainability. Technological Forecasting and Social Change, Amsterdã, v. 10, n. 5, p. 35–48, mai. 2022. Disponível em: https://www.sciencedirect.com/science/article/pii/S0160791X21002165. Acesso em: 10 ago. 2024.
KAACK, L. H. et al. Aligning artificial intelligence with climate change mitigation. Nature Climate Change, Londres, v. 11, n. 7, p. 547–556, jul. 2022. Disponível em: https://www.nature.com/articles/s41558-022-01377-7. Acesso em: 10 ago. 2024.
DEBNATH, R.; CREUTZIG, F.; SOVACOOL, B. K.; SHUCKBURGH, E. Harnessing human and machine intelligence for planetary-level climate action. Nature Reviews Earth & Environment, Londres, v. 4, n. 4, p. 237–248, abr. 2023. Disponível em: https://www.nature.com/articles/s44168-023-00056-3. Acesso em: 10 ago. 2024.
SILVESTRO, D. et al. Improving biodiversity protection through artificial intelligence. Nature Sustainability, Londres, v. 6, n. 3, p. 123–133, mar. 2023. Disponível em: https://www.nature.com/articles/s41893-022-00851-6. Acesso em: 10 ago. 2024.
COWLS, J.; TSAMADOS, A.; TADDEO, M.; FLORIDI, L. The AI gambit: leveraging artificial intelligence to combat climate change—opportunities, challenges, and recommendations. AI & Society, Berlim, v. 36, n. 2, p. 456–472, abr. 2022. Disponível em: https://link.springer.com/article/10.1007/s00146-021-01294-x. Acesso em: 10 ago. 2024.
ANDREW, K.; ZIA, A.; RIZZO, D. Integrating Deep Reinforcement Learning into AgentBased Models for Predicting Farmer Adaptation Under Policy and Environmental Variability. In: Intelligent Systems Conference, 2024, Cham. Cham: Springer Nature Switzerland, 2024. p. 221–238.
GIL-CLAVEL, S.; WAGENBLAST, T.; FILATOVA, T. Farmers’ Incremental and Transformational Climate Change Adaptation in Different Regions: A Natural Language Processing Comparative Literature Review. 2023.
PAN, S. L.; NISHANT, R. Artificial intelligence for digital sustainability: An insight into domain-specific research and future directions. Journal of Artificial Intelligence, Londres, v. 12, n. 3, p. 150–165, jun. 2023. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S026840122300049X. Acesso em: 10 ago. 2024.
NISHANT, R.; KENNEDY, M.; CORBETT, J. Artificial intelligence for sustainability: Challenges, opportunities, and a research agenda. Journal of Artificial Intelligence Research, Londres, v. 8, n. 2, p. 85–102, mar. 2021. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/S0268401220300967?via%3Dihub. Acesso em: 10 ago. 2024.
GALAZ, V. et al. Artificial intelligence, systemic risks, and sustainability. Technological Forecasting and Social Change, Amsterdã, v. 10, n. 5, p. 35–48, mai. 2022. Disponível em: https://www.sciencedirect.com/science/article/pii/S0160791X21002165. Acesso em: 10 ago. 2024.
KAACK, L. H. et al. Aligning artificial intelligence with climate change mitigation. Nature Climate Change, Londres, v. 11, n. 7, p. 547–556, jul. 2022. Disponível em: https://www.nature.com/articles/s41558-022-01377-7. Acesso em: 10 ago. 2024.
DEBNATH, R.; CREUTZIG, F.; SOVACOOL, B. K.; SHUCKBURGH, E. Harnessing human and machine intelligence for planetary-level climate action. Nature Reviews Earth & Environment, Londres, v. 4, n. 4, p. 237–248, abr. 2023. Disponível em: https://www.nature.com/articles/s44168-023-00056-3. Acesso em: 10 ago. 2024.
SILVESTRO, D. et al. Improving biodiversity protection through artificial intelligence. Nature Sustainability, Londres, v. 6, n. 3, p. 123–133, mar. 2023. Disponível em: https://www.nature.com/articles/s41893-022-00851-6. Acesso em: 10 ago. 2024.
COWLS, J.; TSAMADOS, A.; TADDEO, M.; FLORIDI, L. The AI gambit: leveraging artificial intelligence to combat climate change—opportunities, challenges, and recommendations. AI & Society, Berlim, v. 36, n. 2, p. 456–472, abr. 2022. Disponível em: https://link.springer.com/article/10.1007/s00146-021-01294-x. Acesso em: 10 ago. 2024.
ANDREW, K.; ZIA, A.; RIZZO, D. Integrating Deep Reinforcement Learning into AgentBased Models for Predicting Farmer Adaptation Under Policy and Environmental Variability. In: Intelligent Systems Conference, 2024, Cham. Cham: Springer Nature Switzerland, 2024. p. 221–238.
Publicado
27/11/2024
Como Citar
SCHÜNKE, Marco Aurélio; BARONE, Dante Augusto Couto; SILVA, Rodrigo de Cássio da.
Educação Climática 4.0: Como Potencializar o Papel dos Professores com PLN e KG?. In: CONFERÊNCIA LATINO-AMERICANA DE ÉTICA EM INTELIGÊNCIA ARTIFICIAL, 1. , 2024, Niteroi.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2024
.
p. 73-76.
DOI: https://doi.org/10.5753/laai-ethics.2024.32455.
