Big data & Wide data

julho 7, 2015 § Deixe um comentário

Não é de hoje que precisamos nos relacionar com uma quantidade absurda de dados e informações. O mundo conectado online (sou um rebelde, não concordo com opção portuguesa e espanhola pela grafia on-line, que não tem o mesmo significado que online em inglês) potencializou exponencialmente o volume – daí o termo big data – que só algoritmos “lidos” por máquinas conseguem lidar.

Somado ao volume, temos também a amplitude desses dados e informações – daí o termo wide data – que requer uma certa criticidade para analisar. É da amplitude que vêm as previsões e conclusões e, há até pouco tempo, domínio total do cérebro humano. Bom, não usei o termo “exponencial” à toa. O volume alongou a amplitude disponível a tal ponto que o cérebro humano simplesmente não processa as variáveis disponíveis. A solução para a “dobradinha” big & wide data são as ferramentas que promovem “machine learning”, uma espécie de inteligência artificial, que permite máquinas aperfeiçoarem o seu desempenho em alguma tarefa, em outras palavras, aprender.

Como todo o processo de aprendizado das máquinas é baseado no próprio processo humano de aprendizagem (pelo menos até que alguma “revolta das máquinas” aconteça), adaptar um ao outro pode ajudar os 2 lados. 3 conceitos usados em “machine learning” me chamaram a atenção e penso ser válido compartilhá-los.

Feature extraction, que determina quais dados devem ser usados no modelo. Definir as características (features) que são importantes em determinado aprendizado ajuda a eliminar uma quantidade imensa de variáveis. Quando se está lidando com dados brutos, saber o que “cortar” poupa tempo e torna a busca pela informação mais assertiva.

Regularization, que determina a forma como os dados são ponderadas dentro do modelo. Regularização é determinar a relevância de cada dado e a sua prioridade. É a “atitude” que transforma um dado em informação, o que dá o contexto. Em seu aprendizado, use este conceito para definir o seu plano de estudo, ordenando o que focará primeiro e tentando visualizar possíveis conexões interdisciplinares.

Cross-validation, que testa a precisão do modelo. A validação cruzada é uma técnica usada para avaliar a capacidade de generalização de um modelo, usando um conjunto de dados. O objetivo do seu uso em “machine learning” (e em análise humana) é a predição. Adaptando para o nosso aprendizado, use o conceito de validação cruzada para determinar o seu processo de avaliação (afinal, como saber se está realmente aprendendo?).

“Machine learning” é um tema fascinante e pode ajudar muito na criação de processos educacionais aplicáveis a nós mesmos, humanos. Para quem quiser se iniciar, sugiro começar pelos chamados “No Free Lunch Theorems” – matemáticos também têm senso de humor – que mostram que todos os algoritmos que buscam um extremo de uma função, agem exatamente da mesma maneira. Alguma semelhança com o nosso comportamento?

O dicionário visual do cérebro

junho 30, 2015 § 3 Comentários

 Nós processamos as palavras visualmente, não foneticamente. É o que mostra um estudo conduzido pela Georgetown University Medical Center. Segundo o referido estudo, quando olhamos para uma palavra conhecida, nosso cérebro a vê como uma imagem e não como um grupo de palavras a serem processadas. Ao invés de utilizar métodos como soletração (que entende a letra como unidade) ou identificar partes da palavra como se acreditava anteriormente, o cérebro “se lembra” como a palavra toda se parece, agindo como se fosse um “dicionário visual”.

Utilizando a ressonância magnética para mapear o cérebro dos voluntários, descobriu-se que, ao aprender uma nova palavra, uma pequena área do cérebro (oposta à área utilizada para lembrar rostos) é ativada, indicando que o processo utilizado para reconhecer palavras é similar ao utilizado para reconhecer feições. Segundo os pesquisadores, é isto que nos permite ler rapidamente.

A descoberta não apenas ajuda a entender melhor como o cérebro processa palavras, mas também permite insights a respeito de como ajudar o aprendizado de pessoas com dificuldades de leitura. Para aqueles que têm dificuldades em aprender palavras foneticamente (que é o método habitual para o ensino da leitura), ensinar a palavra inteira como um objeto visual pode ser uma boa estratégia.

Para aprender mais rápido, não se concentre tanto

junho 23, 2015 § Deixe um comentário

Por que alguns desenvolvem habilidades rapidamente, enquanto outros precisam de um tempo extra para praticar? Essa foi a pergunta que Scott Grafton, pesquisador da UCSB (Universidade da Califórnia em Santa Bárbara) se fez. Para descobrir a resposta, desenvolveu um jogo online para medir as conexões entre as diferentes regiões do cérebro enquanto os participantes o tentavam aprender (quem quiser pode conhecer mais sobre o estudo AQUI).

Mapeando as atividades de 112 regiões do cérebro, perceberam uma grande concentração de conexões durante as primeiras tentativas, que diminuíam à medida que o experimento avançava, tornando as regiões mais independentes. Por exemplo, a parte do cérebro que controla o movimento dos dedos e a parte que processa estímulos visuais não interagiam mais ao final da análise. Segundo Grafton, essa tendência já era esperada, pois já conheciam como se desenvolvia o processo de aprendizagem neurologicamente, o que o surpreendeu foi detectar que o maior volume de atividade neural veio dos que aprendiam mais devagar, sugerindo que estes “pensavam demais” (no original, “overthinking”) a tarefa.

A explicação vem do “modus operandi” do cérebro. Quando começamos a aprender algo novo, o cérebro começa a testar inúmeras ferramentas cognitivas para tentar entender e reproduzir o novo conhecimento, com a prática e evolução do aprendizado, ele diminui o uso, focando naquelas que melhor apoiam aquele aprendizado. O que o estudo mostrou, é que algumas dessas ferramentas cognitivas “atrapalham” o aprofundamento de um aprendizado.

Bom, muito interessante, mas por que isso é importante? Porque significa que para um rápido aprendizado, é menos importante se preocupar “em que focar”, do que “como focar”. Manter o “fluxo de atenção” balanceado facilita a reorganização pelo cérebro do fluxo das suas atividades durante um aprendizado mais do que a estratégia de “atenção redobrada” ou “atenção total” que naturalmente utilizamos para aprender algo novo.

O que a matemática no PISA me ensinou

junho 16, 2015 § 5 Comentários

Historicamente, as aulas de matemática valorizam um único tipo de aluno: aquele que consegue memorizar bem e calcular rápido. No entanto, dados dos 13 milhões de alunos que fizeram os testes PISA, mostraram que os estudantes que alcançaram as notas mais baixas em todo o mundo, foram exatamente aqueles que utilizaram a estratégia de memorização no seu aprendizado. Esta estratégia é aquela que estimula a pensar a matemática como um conjunto de métodos de memorização – alguém se recorda dos exercícios para decorar a tabuada? Em contrapartida, os alunos com maior rendimento foram aqueles que abordavam a matemática como um conjunto conectado de grandes ideias. Estes dados podem ser verificados pelos resultados do PISA de 2012, disponibilizados pela OECD.

Esta diferença de performance se deu porque a matemática, ao contrário do que nosso sistema educacional sugere, é um assunto amplo e multidimensional. A verdadeira matemática deve estimular investigação, comunicação, conexões e ideias visuais. Ela envolve Conexão de Conhecimento e não apenas repasse.

O Brasil, em minha opinião, não precisa de alunos que possam calcular rapidamente. Precisamos sim, de aprendizes que possam fazer boas perguntas, mapear caminhos, encontrar soluções para questões complexas, configurar modelos e se comunicar em diferentes formas. Todas essas habilidades deveriam ser encorajadas pelo nosso sistema educacional e nossa posição no teste – 38º de 44 países – deveria gerar não apenas indignação, mas um amplo debate (não bate-boca ou concurso de gritos – como tenho visto por aí) para pensarmos os objetivos que queremos para nossa sociedade e o que precisamos fazer para alcançá-los. A construção da Base Nacional Comum (BNC) pelo MEC – que é a definição do que é essencial ser aprendido – é um primeiro passo para isto, mas só vai realmente contribuir para o desenvolvimento do país se for sustentada por modelos educacionais que privilegiem a aplicação prática do que é aprendido.

Onde estou?

Você está navegando em publicações marcadas com conexão em Marcelo Tibau.