Inteligência Artificial e Sociedade

Código:

M.IA001

Sigla:

IAS

Áreas Científicas
Classificação	Área Científica
OFICIAL	Ciência de Computadores
OFICIAL	Engenharia Informática

Ocorrência: 2025/2026 - 1S

Ativa?	Sim
Unidade Responsável:	Departamento de Ciência de Computadores
Curso/CE Responsável:	Mestrado em Inteligência Artificial

Ciclos de Estudo/Cursos

Sigla	Nº de Estudantes	Plano de Estudos	Anos Curriculares	Créditos UCN	Créditos ECTS	Horas de Contacto	Horas Totais
M.IA	59	Plano de estudos oficial	1	-	6	42	162

Língua de trabalho

Inglês

Objetivos

Esta UC tem como principal objectivo capacitar os estudantes com conhecimentos fundamentais e técnicos sobre o impacto e os desafios da Inteligência Artificial (IA) no contexto social e ético. Para isso, serão abordados vários temas atualmente discutidos tanto na investigação como na indústria relativos ao desenvolvimento e implementação de sistemas de IA responsáveis em diversos domínios da vida quotidiana.

Resultados de aprendizagem e competências

A UC visa preparar os estudantes para reconhecer, mitigar, e solucionar os desafios que emergem no decorrer do desenvolvimento de sistemas de IA com aplicações na sociedade. No decorrer da UC, é esperado que os estudantes desenvolvam as seguintes competências:

• Compreender as implicações da integração da IA na sociedade atual, nas suas vertentes sociais, éticas e técnicas;
  
  


• Avaliar criticamente a qualidade e complexidade dos dados e o seu impacto nos sistemas de IA;
  
  


• Quantificar e mitigar os desafios relacionados com as características intrínsecas dos dados, nomeadamente os problemas de missing data e imbalanced data;
  
  


• Identificar possíveis vieses existentes em aplicações de IA e implementar estratégias para a sua correção, promovendo a construção de sistemas de IA justos e equitativos.
  
  


• Implementar e discutir técnicas que promovam a explicabilidade dos sistemas de IA, fomentando a sua transparência e adoção;
  
  


• Reconhecer os desafios de privacidade em IA e propor soluções para a sua preservação.

Modo de trabalho

Presencial

Pré-requisitos (conhecimentos prévios) e co-requisitos (conhecimentos simultâneos)

Conhecimentos prévios dos fundamentos de Inteligência Artificial e Ciência de Dados (e.g., processamento de dados, construção e avaliação de modelos de aprendizagem supervisionada e não-supervisionada). Conhecimentos intermédios de programação na linguagem Python.

Programa

Esta UC está estruturada em 10 módulos fundamentais:

1. Introdução à IA e Sociedade: implicações, riscos, benefícios e impacto ético e social.
   
   


2. IA Centrada nos Dados (Data-Centric AI). O papel da qualidade dos dados no resultado dos modelos de IA. Características intrínsecas dos dados. Estratégias e ferramentas de data profiling e validação de dados.
   
   


3. Complexidade dos problemas de classificação. Medidas de complexidade dos dados e meta-aprendizagem.
   
   


4. Tratamento de dados desequilibrados (imbalanced data). Quantificação, principais estratégias de mitigação e avaliação.
   
   


5. Tratamento de dados em falta (missing data). Quantificação, principais estratégias de mitigação e avaliação.
   
   


6. Viés e Justiça em IA. Fontes de viés nos dados e modelos de IA. Estratégias de identificação e mitigação.
   
   


7. Explicabilidade em IA. Estratégias para promoção da transparência de modelos de IA.
   
   


8. Privacidade e Segurança de dados em IA. Desafios de privacidade e estratégias de preservação.
   
   


9. Dados Sintéticos. Conceitos fundamentais, ferramentas e aplicações.
   
   


10. IA Responsável: O potencial da IA nas aplicações sociais. Regulação e governança da IA.

Bibliografia Obrigatória

Alberto Fernández, Salvador García, Mikel Galar, Ronaldo C. Prati, Bartosz Krawczyk, Francisco Herrera; Learning from Imbalanced Datasets. ISBN: 978-3-319-98073-7
Molnar , Christoph; Interpretable machine learning : a guide for making black box models explainable. ISBN: 9798411463330
Barocas, Solon,; Fairness and machine learning : limitations and opportunities /. ISBN: 0262048612
O.Neil , Cathy; Weapons of math destruction : how big data increases inequality and threatens democracy. ISBN: 978-0-553-41883-5
Dignum , Virginia; Responsible artificial intelligence : how to develop and use AI in a responsible way. ISBN: 978-3-030-30371-6

Bibliografia Complementar

D.Ignazio, Catherine; Data feminism /. ISBN: 0262044005
Broussard , Meredith; Artificial unintelligence : how computers misunderstand the world. ISBN: 9780262038003
Fry , Hannah; Hello World - How to be human in the age of the machine. ISBN: 9781784163068

Métodos de ensino e atividades de aprendizagem

A UC está estruturada em aulas teórico-práticas incorporando 4 principais componentes:

• Componente expositiva de introdução aos conceitos, podendo incluir, quando possível, apresentações por convidados.
  
  


• Componente técnica de exploração de ferramentas e técnicas de IA, aplicando os conceitos aprendidos à análise de datasets reais.
  
  


• Componente de discussão e projeto em grupo, em que os estudantes são desafiados a trabalhar em grupos para resolver problemas de IA aplicados que considerem questões de qualidade de dados, privacidade e justiça.

A avaliação está estruturada da seguinte forma:

• (T) Trabalho individualintegrador dos diferentes conteúdos: 35% (7 valores).
  
  


• (P) Trabalho de projeto em grupo: 30% (6 valores).

• (E) Exame: 35% (7 valores).

Tipo de avaliação

Avaliação distribuída com exame final

Componentes de Avaliação

Designação	Peso (%)
Exame	35,00
Trabalho escrito	35,00
Trabalho prático ou de projeto	30,00
Total:	100,00

Componentes de Ocupação

Designação	Tempo (Horas)
Apresentação/discussão de um trabalho científico	6,00
Elaboração de projeto	39,00
Estudo autónomo	39,00
Frequência das aulas	39,00
Trabalho escrito	39,00
Total:	162,00

Obtenção de frequência

N/A

Fórmula de cálculo da classificação final

NotaFinal = (0.35 * T) + (0.3 * P) + (0.35 * E)

T: Nota do Trabalho Individual
P: Nota do Projeto de Grupo
E: Nota do Exame

As componentes não estão sujeitas a nota mínima.

Provas e trabalhos especiais

N/A

Trabalho de estágio/projeto

N/A

Avaliação especial (TE, DA, ...)

Os estudantes em circunstâncias especiais devem discutir a sua situação directamente com o docente responsável pela unidade curricular no início do semestre.

Melhoria de classificação

Apenas a componente de Exame (E) se encontra sujeita a melhoria durante a Época de Recurso.