Rural do Semi-Árido

III SECEN – A ERA DA INTELIGÊNCIA ARTIFICIAL: debatendo os fundamentos teóricos das ciências exatas no desenvolvimento da IA

Submissão de Trabalhos

– Submissão de resumos na modalidade Pôster 

• Os pôsteres são exclusivos para estudantes de ensino médio e graduação (autores/as e coautores/as) de escolas e universidades públicas ou privadas.
• Para alunos de ensino médio é necessário que um dos coautores seja professor da educação básica ou superior.

Antes de submeter, leia as descrições dos Grupos de Trabalho (GTs) que mais tem afinidade com sua pesquisa e selecione. Ao final, submeta seu arquivo em PDF com o Resumo (máx 10 MB).

ATENÇÃO: PRAZO DE SUBMISSÃO DE RESUMOS 10/10 à 26/10

A divulgação dos trabalhos aprovados será no dia 01 de novembro de 2025.

A apresentação será no dia 06 de novembro às 18h no Centro de Convivência da UFERSA Campus de Pau dos Ferros.

Recomenda-se a seguinte estrutura: Título, GT, nome do(s) autor(es) e filiação institucional, introdução, objetivo(s), metodologia, desenvolvimento, conclusões, as principais referências bibliográficas utilizadas e 3 palavras chaves. Máximo de 500 palavras. As imagens, tabelas, gráficos e quadros dispostos conforme ABNT. Modelo de formatação em anexo neste link

Verifique as áreas do GT e submeta sua proposta clicando no link

GT1: Interdisciplinaridade e Novas Fronteiras nas Ciências Exatas e Naturais

Este Grupo de Trabalho acolhe pesquisas, relatos de experiência e reflexões teóricas que, embora não estejam diretamente vinculadas ao tema central do evento (“A Era da IA”), contribuam significativamente para o avanço do conhecimento e o debate nas áreas tradicionais das Ciências Exatas e Naturais (Matemática, Física, Química, Biologia e Computação) e em suas interfaces interdisciplinares.
Temas Livres: aceita trabalhos que abordem métodos inovadores, novas descobertas, pesquisas em andamento, e discussões sobre o ensino e a popularização das ciências.

GT2: Uso de IA aplicado ao ensino da física

Este Grupo de Trabalho acolhe pesquisas, relatos de experiência e reflexões teóricas que aborde a IA como um poderoso catalisador, transformando o ensino e tornando a física mais acessível e eficaz, permitindo que os alunos simulem experimentos e recebam apoio de aprendizado verdadeiramente individualizado, revolucionando a forma como as leis fundamentais do universo são compreendidas. Exemplos de aplicação de IA no ensino:

1. Sistemas Tutoriais Inteligentes (ITS): Para adaptar a instrução de conteúdos abstratos (e.g., Mecânica Quântica, Relatividade) com base na performance individual.
2. Mecanismos de Feedback Imediato: Para aprimorar a resolução de problemas complexos e o desenvolvimento do raciocínio analítico.
3. Ambientes de Simulação: Para visualização e experimentação segura de fenômenos físicos

GT3: Uso de IA aplicado ao ensino das Ciências Exatas e da Natureza

Este Grupo de Trabalho acolhe pesquisas, relatos de experiência e reflexões teóricas sobre a IA como uma tecnologia-chave para redefinir a didática dos métodos de ensino tradicionais. As Ciências Exatas e da Natureza (Matemática, Física, Estatística, Química e Biologia) compartilham desafios pedagógicos críticos como a abstração conceitual, a necessidade de modelagem de sistemas complexos e a exigência de habilidades laboratoriais e analíticas. Exemplos de aplicação da IA no ensino:

1. Personalização Multidisciplinar: Otimizar a progressão do aluno em conteúdos que variam da prova de teoremas matemáticos à compreensão de mecanismos biológicos complexos, utilizando Sistemas Tutoriais Adaptativos (STA).
2. Modelagem e Simulação: Permitir a experimentação virtual (laboratórios digitais) de reações químicas perigosas, fenômenos físicos abstratos ou processos ecológicos de longa duração, fomentando a visualização e a descoberta.
3. Análise Preditiva e Feedback Diagnóstico: Utilizar algoritmos para identificar lacunas de conhecimento (por exemplo, em pré-requisitos matemáticos para Química) e oferecer intervenções didáticas imediatas e direcionadas.

GT4: Captura e Processamento de Imagens

Este Grupo de Trabalho acolhe pesquisas, relatos de experiência e reflexões teóricas sobre a como a Captura e o Processamento Digital de Imagens constituem um pilar fundamental na metodologia contemporânea das ciências exatas e da natureza, atuando como ferramentas essenciais para a aquisição de dados, a análise de fenômenos e a validação de modelos teóricos. Este campo de estudo explora a interseção entre óptica/instrumentação, algoritmos de processamento e sensoriamento, microscopia. O foco está em transformar dados visuais complexos em conhecimento científico mensurável, impulsionando a descoberta e a modelagem preditiva em diversos domínios. Exemplos de aplicação:

1. Uniformização da Metodologia: Desenvolver pipelines de processamento que lidem com a extrema variabilidade dos dados de CEN (desde imagens de satélite a sequências de DNA visualizadas).
2. Quantificação Rigorosa: Passar da observação qualitativa para a extração de métricas físicas, químicas e biológicas precisas (e.g., taxas de crescimento, concentração de substâncias, classificação de espécies).
3. Gestão do Volume: Administrar o fluxo massivo de dados gerados por técnicas avançadas de imagem (como imaging hiperespectral ou microscopia de luz de folha).
4. Aplicação de IA em dados de sensores, imagens e sinais: análise de imagens de microscopia, sensoriamento remoto, reconhecimento de padrões visuais.

GT5: Processamento de dados

Este Grupo de Trabalho acolhe pesquisas, relatos de experiência e reflexões teóricas sobre o gerenciamento e a extração de conhecimento de datasets que são caracterizados por seu Volume, Velocidade e Variedade (Big Data). O foco do Processamento de Dados nas CEN não é apenas o armazenamento, mas sim a conversão de sinais brutos em informação científica quantificável, validada e acionável. Exemplos de campo de estudo:

1. Redução de Ruído e Artefatos: Desenvolver algoritmos avançados para filtrar e corrigir distorções instrumentais, garantindo a integridade e a confiabilidade dos dados experimentais e observacionais.
2. Integração e Modelagem: Criar pipelinespara a fusão de dados heterogêneos (por exemplo, dados químicos, biológicos e geológicos) para alimentar modelos preditivos e sistemas de Inteligência Artificial.
3. Análise em Tempo Real: Habilitar a aquisição e o processamento ultrarrápido de dados para experimentos dinâmicos ou monitoramento ambiental contínuo, permitindo ajustes experimentais imediatos.
4. Aprendizado de Máquina e Modelagem Estatística: Métodos de aprendizado de máquina supervisionados e não supervisionados aplicados à modelagem de dados em diversas áreas das ciências naturais.

GT6: Interdisciplinaridade e Ética na Inteligência Artificial

Este Grupo de Trabalho acolhe pesquisas, relatos de experiência e reflexões teóricas sobre a responsabilidade e o impacto da Inteligência Artificial na sociedade e na ciência contemporânea. Contribuindo para o debate sobre o impacto da IA nas práticas científicas e sociais, bem como seus desafios éticos. Exemplos de campos de estudo:

1. Ética na Prática de Pesquisa: Integridade Científica e o uso Ético de IA Generativa na Redação Científica e os Critérios de Autoria.
2. Governança e Decisão Humana: Privacidade e Dados Proteção de Dados e IA: Desafios na Conformidade com a LGPD em Aplicações de Machine Learningna Pesquisa Científica. Acesso e Inclusão Exclusão Digital e IA: O Risco de Aprofundamento das Desigualdades Sociais em Regiões com Baixa Conectividade.
3. Transparência Algorítmica: A busca por métodos que tornem as decisões da IA compreensíveis e explicáveis, essencial para a validação científica em áreas como a Química (descoberta de materiais) e a Física (simulação de sistemas complexos).