Um conjunto de questões de ciências elementares em chinês para geração de processos de resolução de problemas

Ajudar crianças a aprender ciências com IA mais inteligente

Pais e professores cada vez mais veem a inteligência artificial como um potencial parceiro de estudo, mas os chatbots atuais frequentemente dão explicações que são ou superficiais demais ou excessivamente avançadas para crianças. Este artigo apresenta um novo conjunto de dados de Questões de Ciências Elementares em Chinês (CSQ) projetado para ensinar grandes modelos de linguagem a explicar ciências da mesma forma que um bom professor do ensino fundamental: passo a passo, na dificuldade adequada e alinhado ao que as crianças realmente aprendem em sala de aula.

Um novo banco de questões para jovens aprendizes de ciências

O conjunto CSQ é uma coleção de 12.000 questões de ciências cuidadosamente elaboradas, extraídas do currículo do ensino fundamental da China, provas escolares e recursos online confiáveis. As questões abrangem quatro grandes áreas — ciências da vida, ciências físicas, terra e espaço, e tecnologia e engenharia — para as séries 1 a 6. Diferentemente de muitos bancos de questões existentes que apenas listam uma pergunta e sua resposta correta, cada item do CSQ também inclui informações sobre o nível de série, o tópico e quais habilidades científicas estão sendo avaliadas, além de uma explicação completa da solução adequada à idade.

Captando como as crianças realmente pensam

Uma inovação chave do CSQ é seu foco no “pensamento de resolução de problemas” por trás de cada resposta. Para cada questão, especialistas descrevem o processo de raciocínio em linguagem e detalhe adequados à série alvo. Para crianças mais novas, as explicações permanecem concretas e observacionais — por exemplo, descrevendo o que pode ser visto ou sentido. Para estudantes mais velhos, introduzem-se gradualmente ideias mais abstratas, como sistemas, causa e efeito ou modelos simples. Cada item também identifica as habilidades centrais envolvidas, como observar um fenômeno, comparar dois objetos ou identificar a função de uma ferramenta. Essa estrutura permite que modelos de IA não apenas indiquem a resposta correta, mas pratiquem percorrer o tipo de raciocínio que se espera que os alunos aprendam.

Construindo o conjunto de dados com realismo de sala de aula em mente

Criar o CSQ exigiu um processo estruturado e centrado em humanos. Uma equipe de 19 pesquisadores com experiência em educação científica e IA dividiu o trabalho em etapas. Membros seniores da equipe coletaram questões de padrões curriculares oficiais, provas e enciclopédias, garantindo que fossem reutilizáveis legalmente. Estudantes de pós-graduação então adaptaram e anotaram as questões para que se encaixassem em formatos de múltipla escolha ou verdadeiro/falso e corresponderem aos Padrões do Currículo de Ciências para o Ensino Obrigatório (2022). O treinamento deles enfatizou manter vocabulário e profundidade cognitiva apropriados à série. Cada item de dado — pergunta, propriedades disciplinares e solução — foi verificado por outro anotador, e discordâncias sobre as habilidades corretas ou a profundidade da explicação foram resolvidas usando os padrões nacionais como guia.

Ensinando a IA a mostrar seu raciocínio

Para testar o valor do CSQ, os pesquisadores ajustaram vários modelos de linguagem de código aberto e também avaliaram um modelo comercial líder com este conjunto de dados. Eles não mediram apenas se os modelos escolhiam a resposta correta de múltipla escolha. Também avaliaram a qualidade do raciocínio gerado usando métricas automáticas de texto e avaliações humanas especializadas. Após o treinamento com o CSQ, modelos de código aberto mostraram ganhos claros em precisão e na clareza e completude de suas explicações. Por exemplo, um modelo que antes respondia a uma questão elementar sobre som usando teoria avançada de ondas passou a uma descrição mais simples e apropriada à idade após o ajuste fino. Juízes humanos constataram que os modelos ajustados eram muito melhores em permanecer dentro do nível da série da criança, evitando o “excesso de conhecimento” em que ideias excessivamente técnicas confundem em vez de ajudar.

Limites hoje, um modelo para o futuro

Os autores reconhecem que o CSQ reflete a estrutura do currículo de ciências da China e foca apenas em formatos de pergunta como múltipla escolha e verdadeiro/falso, não em experimentos práticos ou projetos abertos. As explicações foram escritas por estudantes de pós-graduação treinados, não por professores de sala de aula ou pelas próprias crianças, então há mais trabalho a fazer para corresponder totalmente à linguagem real de sala de aula. Ainda assim, a estrutura por trás do CSQ — relacionar cada pergunta a disciplina, tópico, série, habilidades específicas e raciocínio passo a passo — é suficientemente geral para inspirar recursos semelhantes em outras línguas e sistemas escolares. Em termos simples, este trabalho mostra como conjuntos de questões cuidadosamente projetados podem ajudar a IA a se tornar um tutor de ciências mais confiável e sensível à idade para jovens aprendizes.

Citação: Li, D., Liu, Z., Wen, C. et al. A Chinese Elementary Science Question Dataset in Problem-Solving Process Generation. Sci Data 13, 291 (2026). https://doi.org/10.1038/s41597-026-06618-4

Palavras-chave: educação científica no ensino fundamental, grandes modelos de linguagem, conjunto de dados de perguntas e respostas, tutoria personalizada, currículo chinês