Explorando a viabilidade técnica da inteligência artificial na educação em regiões com infraestrutura limitada.
Explorando a viabilidade técnica da inteligência artificial na educação em regiões com infraestrutura limitada.
<ermesson.santos@arapiraca.ufal.br>
Em regiões com infraestrutura digital limitada, a implementação da Inteligência Artificial na Educação (IAED) enfrenta desafios significativos, como a restrição no acesso a dispositivos e à internet. Para mitigar esses desafios, propõe-se o conceito de IAED Unplugged, uma metodologia projetada para adaptar soluções de IA às condições específicas dessas áreas. Esta metodologia adota princípios como conformidade com a infraestrutura existente, operação offline, interfaces simplificadas e adaptação às habilidades digitais dos usuários. A digitalização das atividades educacionais dos alunos por meio de visão computacional é um aspecto central dessa meto dologia, permitindo a aplicação de IA em dispositivos desconectados e de baixo custo. Nesse contexto, a detecção de objetos é essencial para identificar quais áreas devem ser digitalizadas. Apesar do potencial do IAED Unplugged, a viabilidade técnica dessas aplicações no ensino de matemática ainda não foi amplamente explorada. Este estudo explora essa lacuna por meio de uma análise empírica da detecção de equações manuscritas em dispositivos móveis. Para validar essa abordagem, foi desenvolvida uma plataforma educacional que integra a IA para correção automatizada de questões matemáticas manuscritas. A solução permite o processamento de imagens capturadas pelos alunos e professores, utilizando modelos de visão computacional para identificar e corrigir cálculos. Além disso, a plataforma foi projetada para operar em dispositivos móveis de baixo custo, com suporte offline e interfaces simplificadas, garantindo acessibili dade em contextos desafiadores. Para isso, algoritmos de última geração foram otimizados para inferência offline, utilizando um conjunto de dados de equações de alunos e avaliando o desempenho dos modelos YOLOv8. Os modelos treinados foram convertidos para TensorFlow Lite para implantação em dispositivos móveis, com tempos de inferência avaliados em diferentes dispositivos acessíveis. Este estudo oferece novas perspectivas sobre o uso de IA na educação em regiões com infraestrutura limitada, contribuindo para a interseção entre AIED Unplugged, Visão Computacional e Educação.
In regions with limited digital infrastructure, the implementation of Artificial Intelligence in Education (AIED) faces significant challenges, such as restricted access to devices and the inter net. To address these challenges, the concept of AIED Unplugged is proposed—a methodology designed to adapt AI solutions to the specific conditions of such areas. This methodology adopts principles like compliance with existing infrastructure, offline operation, simplified interfaces, and adaptation to users’ digital skills. The digitalization of students’ educational activities th rough computer vision is a central aspect of this methodology, enabling the application of AI in low-cost, disconnected devices. In this context, object detection is essential to identify areas that should be digitized. Despite the potential of AIED Unplugged, the technical feasibility of these applications in teaching mathematics has not yet been extensively explored. This study addresses this gap through an empirical analysis of handwritten equation detection on mobile devices. To validate this approach, an educational platform was developed that integrates AI for the automated correction of handwritten math problems. The solution processes images captured by students and teachers, utilizing computer vision models to identify and correct calculations. Furthermore, the platform was designed to operate on low-cost mobile devices, with offline support and simplified interfaces, ensuring accessibility in challenging contexts. For this purpose, state-of-the-art algorithms were optimized for offline inference, using a dataset of student equations and evaluating the performance of YOLOv8 models. The trained models were converted to TensorFlow Lite for deployment on mobile devices, with inference times assessed across various accessible devices. This study offers new perspectives on the use of AI in education in regions with limited infrastructure, contributing to the intersection of AIED Unplugged, Computer Vision, and Education.
Ma. Fonseca, Liliane dos Santos Mota da.
Educação.
Visão computacional.
Inferência offiline.