PROGRAMA DE PÓS-GRADUAÇÃO STRICTO SENSU MESTRADO E

DOUTORADO EM METODOLOGIAS PARA O ENSINO DE

LINGUAGENS E SUAS TECNOLOGIAS

RODRIGO SHIMASAKI

INTELIGÊNCIA ARTIFICIAL: POSSIBILIDADES NOS

PROCESSOS DE ENSINO E DE APRENDIZAGEM

Londrina
2021
 RODRIGO SHIMASAKI

INTELIGÊNCIA ARTIFICIAL: POSSIBILIDADES NOS

PROCESSOS DE ENSINO E DE APRENDIZAGEM

Dissertação apresentada à Universidade Pitágoras

UNOPAR, como requisito parcial para a obtenção do
título de Mestre em Metodologias para o Ensino de
Linguagens e suas Tecnologias.

Orientador: Profª. Drª. Maria Elisabette Brisola Brito

Prado

Londrina

2021
 Shimasaki, Rodrigo.
Inteligência artificial: possibilidades nos processos de ensino e
de aprendizagem / Rodrigo Shimasaki. - 2021
107 f.

Dissertação (Mestrado Acadêmico) - Universidade Norte do Paraná.

Programa de Mestrado Em Metodologia para o Ensino de Linguagens e
suasTecnologias, Londrina, 2021.
Orientação: Maria Elisabete Brisola Brito Prado.

1. Inteligência artificial. 2. Tecnologias inteligentes. 3. Educação

mediada por tecnologia. I. Prado, Maria Elisabete Brisola Brito. II. Título.

Ficha catalográfica da obra elaborada pela Bibliotecária Aparecida de Almeida

da Silva Souza CRB-9/1651
 RODRIGO SHIMASAKI

INTELIGÊNCIA ARTIFICIAL: POSSIBILIDADES NOS PROCESSOS DE ENSINO E

DE APRENDIZAGEM

Dissertação apresentada à Universidade

Pitágoras UNOPAR, no programa de Mestrado
e Doutorado em Metodologias para o Ensino
de Linguagens e suas Tecnologias, área e
concentração em Ensino, como requisito
parcial para a obtenção do título de Mestre
conferido pela Banca Examinadora formada
pelos professores:

Profª. Drª. Maria Elisabette Brisola Brito Prado

UNOPAR

Profª. Drª. Fátima Aparecida da Silva Dias

UNOPAR

Profª. Drª. Maria Eduarda de Lima Menezes

PUCSP

Londrina, 22 de março de 2021.

 AGRADECIMENTOS

Agradeço aos meus familiares, amigos e professores que me incentivaram e

apoiaram durante todo o percurso do mestrado.
À minha orientadora, a Profª. Drª. Maria Elisabette Brisola Brito Prado, ou
apenas Bette, pela paciência e orientações que permitiram o desenvolvimento da
presente pesquisa.
Aos colegas do programa pelas discussões e compartilhamento de
experiências acadêmicas.
À banca, composta pelas professoras Drª. Fátima Aparecida da Silva Dias e
Drª. Maria Eduarda de Lima Menezes que por meio de suas ponderações na
qualificação contribuíram para a melhor apresentação desta dissertação.
Ao programa de Mestrado de Metodologia para o Ensino de Linguagens e suas
Tecnologias da Pitágoras/Unopar, por possibilitar a realização desta pesquisa.
Ao meu pai Mário que me incentivou a nunca parar de estudar e que sempre
me apoiou e instruiu nas minhas decisões.
À minha mãe Nair, pelo exemplo de mãe, que além de todo carinho, foi
fundamental em todo meu processo de desenvolvimento como pessoa.
À minha esposa Laís que sempre me incentivou e me motivou a não desistir
dos meus objetivos e faz parte do meu amadurecimento.
SHIMASAKI, Rodrigo. Inteligência Artificial: possibilidades nos processos de ensino e de
aprendizagem. 2021. 107 f. Dissertação (Mestrado em Metodologias para o Ensino de
Linguagens e suas Tecnologias) – Universidade Pitágoras Unopar, Londrina-PR,
2021.

RESUMO

Vivemos um momento em que a tecnologia está substituindo progressivamente muitas

das atividades do ser humano na execução de diversas tarefas. A Inteligência Artificial
(IA) tem dominado as mais diferentes áreas buscando otimizar e facilitar o cotidiano
das pessoas. A Inteligência Artificial na Educação torna-se cada vez mais
evidenciada, por meio do rápido desenvolvimento de sistemas inteligentes aliados às
metodologias inovadoras que potencializam novas formas de ensinar e aprender.
Nesse sentido, esta pesquisa buscou organizar o seu escopo de investigação a partir
de uma Revisão Sistemática de Literatura (RSL) com o objetivo de analisar e discutir
as pesquisas realizadas sobre a adoção de programas de inteligência artificial na
educação abordando as principais ferramentas que podem ser utilizadas no processo
de ensino e aprendizagem. Foram analisadas 19 (dezenove) pesquisas, envolvendo
teses e dissertações publicadas no Banco Digital de Teses e Dissertações (BDTD)
durante o período de 2015 a 2020. Antes, porém, este estudo apresenta um panorama
histórico sobre a trajetória da IA focando as principais definições e suas
características. Para subsidiar a análise dos dados coletados pela RSL foi elaborado
um constructo teórico sobre a Inteligência Artificial na Educação por meio do diálogo
com os estudos de vários pesquisadores nacionais e internacionais, inclusive trazendo
questões abordadas nos documentos oficiais brasileiros. Quanto aos resultados da
análise desta investigação destacou-se os estudos sobre os Sistemas de Tutores
Inteligentes (STI), os chatterbots, a gamificação, quizzes e os Ambientes Virtuais
Inteligentes, os quais, através de algoritmos, monitoram o desenvolvimento do aluno
e podem até determinar uma iminente desistência. Por outro lado, as análises também
evidenciaram alguns aspectos que podem dificultar o avanço da IA na Educação, tais
como, a falta de investimentos em estudos e pesquisas para implementação de IA nas
escolas e de infraestrutura. Além disso, requer outras demandas, por exemplo,
atualização do currículo voltado para o mundo digital e da formação do professor,
atentando para o fato de que a IA envolve ensinar a máquina a aprender, e isto implica
em propiciar um ensino que possa auxiliar o aluno (o ser humano) a ampliar a
dimensão da sua própria aprendizagem.

Palavras-chave: Inteligência Artificial. Tecnologias inteligentes. Educação mediada

por tecnologia.
SHIMASAKI, Rodrigo. Artificial Intelligence: possibilities in teaching and learning
processes. 2021. 107 f. Dissertation (Master in Methodologies for the Teaching of
Languages and their Technologies) - Unopar Pitágoras University, Londrina-PR,
2021.

ABSTRACT

We live in a moment in which technology is progressively replacing many of the human

being's activities in the execution of several tasks. Artificial Intelligence (AI) has
dominated the most different areas seeking to optimize and facilitate people's daily
lives. Artificial Intelligence in Education becomes more and more evident, through the
rapid development of intelligent systems allied to innovative methodologies that
enhance new ways of teaching and learning. In this sense, this research sought to
organize its scope of investigation from a Systematic Literature Review (SLR) in order
to analyze and discuss the research conducted on the adoption of artificial intelligence
programs in education addressing the main tools that can be used in the teaching and
learning process. Nineteen (19) research studies were analyzed, involving theses and
dissertations published in the Digital Bank of Theses and Dissertations (BDTD) during
the period from 2015 to 2020. Beforehand, however, this study presents a historical
overview on the trajectory of AI focusing on the main definitions and their
characteristics. To support the analysis of the data collected by the SLR, a theoretical
construct on AI in Education was developed through the dialogue with the studies of
several national and international researchers, including issues addressed in Brazilian
official documents. As for the results of the analysis of this research, we highlight the
studies on Intelligent Tutor Systems (ITS), chatterbots, gamification, quizzes, and
Intelligent Virtual Environments, which, through algorithms, monitor the student's
development and may even determine an imminent dropout. On the other hand, the
analyses also highlighted some aspects that may hinder the advancement of AI in
Education, such as the lack of investment in studies and research to implement AI in
schools and in infrastructure. Moreover, it requires other demands, such as updating
the curriculum for the digital world and teacher training, paying attention to the fact that
AI involves teaching the machine to learn, and this implies providing teaching that can
help students (human beings) to expand the dimension of their own learning.

Keywords: Artificial Intelligence; Intelligent technologies; Technology-mediated

education.
 LISTA DE QUADROS

Quadro 1 – Conceito de IA. ...................................................................................... 28

Quadro 2 - Artigos sobre IA na educação utilizados para embasamento teórico. .... 32
Quadro 3 - Objetivos da IAED. ................................................................................. 37
Quadro 4 - Desafios da IA na Educação. ................................................................. 37
Quadro 5 - Princípios para adoção da IAED............................................................. 39
Quadro 6 - Estratégias para IA. ................................................................................ 40
Quadro 7 - Abordagens de IAED. ............................................................................. 42
Quadro 8 - Tarefas que a tecnologia pode ajudar. ................................................... 46
Quadro 9 - Novas habilidades requeridas com o avanço da IAED. .......................... 48
Quadro 10 - Áreas e competências em alfabetização digital. ................................... 48
Quadro 11 - Competência para professores............................................................. 49
Quadro 12 - Escalas de comportamento e os níveis de interação. .......................... 56
Quadro 13 - Questões sobre IA. ............................................................................... 58
Quadro 14 - IAED na educação em 2017. ................................................................ 63
Quadro 15 - Tendências de IA na educação no curto prazo .................................... 63
Quadro 16 - Tendências de IAED no médio prazo. .................................................. 65
Quadro 17 – Busca na BDTD com o termo “Inteligência Artificial e Ensino”. ........... 69
Quadro 18 - Busca na BDTD com o termo “Inteligência Artificial” e “Educação”. ..... 72
Quadro 19 - Resultado após critérios de exclusão (BDTD). ..................................... 72
Quadro 20 - Teses e dissertações selecionadas para a RSL. .................................. 74
Quadro 21 - Dissertações e teses selecionadas para a RSL. .................................. 76
Quadro 22 - Eixos Temáticos da Revisão Sistemática de Literatura. ....................... 77
 LISTA DE GRÁFICOS

Gráfico 1 - Evolução temporal dos estudos. ............................................................. 73

Gráfico 2 - Instituições envolvidas. ........................................................................... 73
 LISTA DE FIGURAS

Figura 1 - Nuvem de palavras da RSL. .................................................................... 76

 LISTA DE SIGLAS

AVA Ambiente Virtual de Aprendizagem

BDTD Biblioteca Digital Brasileira de Teses e Dissertações
BNCC Base Nacional Comum Curricular
Capes Coordenação de Aperfeiçoamento de Pessoal de Nível Superior
CBR (Case-Based Reasoning) Raciocínio Baseado em Casos
CIEB Centro de Inovação para a Educação Brasileira
CNI Confederação Nacional da Indústria
DDM Tomada de Decisão Conduzida por Dados
DEC Digital Equipment Corporation
EDM Mineração de Dados Educacionais
EA Estilo de Aprendizagem
EaD Ensino a distância
ELAI Intelligent Agent adaptive to the Level of Expertise of Students
EMIS Sistema de Informação de Gerenciamento Educacional
FAPESP Fundação de Amparo à Pesquisa do Estado de São Paulo
IA Inteligência Artificial
IAC Computer Assisted Instruction
IAED Inteligência Artificial na Educação
IBICT Instituto Brasileiro de Informação em Ciência e Tecnologia
ICT-CFT Quadro de Competências para Professores em Tecnologias da
Informação e Comunicação
IDC International Data Corporation
IoT Internet of Thinks
LA Learning Analytics
LMS Learning Management Systems
MIT Instituto de Tecnologia de Massachusetts
MOOC Cursos online massivamente abertos
OA Objeto de Aprendizagem
OCDE Organização para a Cooperação e Desenvolvimento Econômico
PC Personal Computer
PCN Parâmetros Curriculares Nacionais
PCN+ Parâmetros Curriculares Nacionais (mais)
PTDP Processo de Tomada de Decisões Pedagógicas
PLN Processamento de Língua Natural
PUC Pontifícia Universidade Católica
RA Raciocíno Abstrato
RE Raciocínio Espacial
RN Raciocínio Numérico
RNA Rede Neural Artificial
RSL Revisão Sistemática de Literatura
RV Raciocínio Verbal
Scielo Scientific Electronic Library Online
SAM Sistemas Multiagentes – baseados em IA
SEREJ Sistema Especialista de Recursos Educacionais em Jogos
STARCC Sistemas Tutores Adaptativos ao Raciocínio Crítico em Contabilidade
STI Sistemas de Tutores Inteligentes
TDIC Tecnologias Digitais de Informação e Comunicação
UNB Universidade de Brasília
UNESCO Organização das Nações Unidas para a Educação, a Ciência e a Cultura
UFAM Universidade Federal do Amazonas
UFCG A Universidade Federal de Campina Grande
UFPE Universidade Federal de Pernambuco
UFRGS Universidade Federal do Rio Grande do Sul
UFSC Universidade Federal de Santa Catarina
UFSM Universidade Federal de Santa Maria
UNESP Universidade Estadual Paulista
UNISINOS Universidade do Vale do Rio dos Sinos
UFVJM Universidade Federal dos Vales do Jequitinhonha
USP Universidade de São Paulo
WEF World Economic Forum
 SUMÁRIO

1 INTRODUÇÃO......................................................................................................... 14
1.1 TRAJETÓRIA ACADÊMICA E PROFISSIONAL ............................................ 14
1.2 CONTEXTO DA PESQUISA........................................................................... 15
1.2.1 Objetivo Geral .......................................................................................... 17
1.2.2 Objetivos Específicos............................................................................... 17
1.3 JUSTIFICATIVA.............................................................................................. 17
1.4 METODOLOGIA DA PESQUISA .................................................................... 18
1.4.1 Etapas da Pesquisa ................................................................................. 20
2 INTELIGÊNCIA ARTIFICIAL: HISTÓRIA E CONCEITOS ...................................... 22
2.1 CONTEXTO HISTÓRICO DA INTELIGÊNCIA ARTIFICIAL ........................... 22
2.2 CONCEITOS DE INTELIGÊNCIA ARTIFICIAL .............................................. 27
2.3 INTELIGÊNCIA ARTIFICIAL E O ENSINO ..................................................... 29
3 INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: VISÃO TEÓRICA......................... 32
3.1 CONSTITUIÇÃO DO ESTUDO DE IA NA EDUCAÇÃO ................................. 32
3.2 IA E DOCUMENTOS OFICIAIS BRASILEIROS ............................................. 33
3.3 PUBLICAÇÕES SOBRE IA NA EDUCAÇÃO ................................................. 36
3.3.1 Ensino Colaborativo e IA ......................................................................... 41
3.3.2 Professores e IA ...................................................................................... 43
3.3.3 Sistema de Tutores Inteligentes (STI)...................................................... 51
3.3.4 Sistemas Educacionais baseados em IA ................................................. 53
3.3.5 Preocupações e ética na utilização de IA na educação ........................... 55
3.3.6 Avaliação e IA .......................................................................................... 60
3.3.7 Tecnologias de Ensino e Aprendizagem baseados em IA ....................... 61
4 ANÁLISE DE RESULTADOS ................................................................................. 68
4.1 REVISÃO SISTEMÁTICA DE LITERATURA .................................................. 68
4.1.1 Análise preliminar da Revisão Sistemática de Literatura ......................... 68
4.2 ANÁLISE DOS EIXOS TEMÁTICOS .............................................................. 77
4.2.1 Eixo 1: Sistemas de Tutores Inteligentes (STI) ........................................ 80
4.2.2 Eixo 2: Ambientes Virtuais de Aprendizagens Inteligentes ...................... 85
4.2.3 Eixo 3: Ensino Adaptativo ........................................................................ 89
4.2.4 Eixo 4: Inteligência Artificial em outras aplicações .................................. 91
4.3 UM OLHAR GLOBAL SOBRE AS PESQUISAS ANALISADAS ..................... 95
5 CONSIDERAÇÕES FINAIS .................................................................................... 98
REFERÊNCIAS .................................................................................................. 103
 14

1 INTRODUÇÃO

1.1 TRAJETÓRIA ACADÊMICA E PROFISSIONAL

O ponto de partida na academia teve foco na Administração de Empresas. A

graduação foi realizada na Universidade Estadual de Londrina e finalizada em 2004.
O ingresso no curso superior sempre objetivou a abertura do próprio negócio. Realizei
minha tese de conclusão de curso de forma excelente, obtendo nota máxima em todos
os quesitos, mas a academia não me chamava atenção naquele momento. Sempre
trabalhei em indústrias como colaborador e em 2014 tive a chance de ser sócio da
empresa, a qual trabalhava, uma indústria do ramo de reciclagem de pneus, mas
durante o período seguinte, a empresa passou por profundas dificuldades devido às
mudanças que estavam ocorrendo no setor, e dessa forma optei por sair da empresa,
que futuramente veio a fechar e, durante um ano procurei por algum negócio para
abrir, mas a falta de boas oportunidades e a incerteza das operações fizeram com que
retomasse a procura por um emprego formal. Mediante conversas com amigos surgiu
a possibilidade de me candidatar à vaga de tutor de ensino à distância da UNOPAR.
Na minha cabeça soava como uma segunda opção para o que queria naquele
momento.

O destino quis que eu fosse aprovado no processo de seleção de forma rápida

e as outras oportunidades só viriam depois de estar trabalhando (e por opção, dei
prioridade àquela nova experiência). Era um mundo totalmente novo. Ao invés de
clientes, fornecedores e empregados, agora eram alunos, professores e
coordenadores. Com o passar do tempo fui tomando gosto por aquilo e, então, estou
desde 2017 na instituição. Neste período concluí uma pós-graduação Lato Sensu em
“Docência no ensino superior” e por incentivo de colegas de trabalho e professores da
instituição resolvi me inscrever para a seleção do mestrado no Programa de
Metodologias para o Ensino de Linguagens e suas Tecnologias da própria instituição,
a UNOPAR. Desde que me conheço sempre gostei muito de tecnologia e estou
sempre antenado nas novidades que surgem dia a dia, um curioso fato por tudo aquilo
que envolve automação e praticidade. Foi então que surgiu a ideia de aliar a tecnologia
 15

da Inteligência Artificial com a educação para a pesquisa. Durante o exercício do

trabalho sempre questionava por que algumas das atividades que exercíamos eram
tão corriqueiras e simples, mas tínhamos que realizar de forma manual sem nenhuma
ferramenta de auxílio.

Desse modo, a presente pesquisa apresenta-se organizada da seguinte forma:

O capítulo 1, destina-se a parte introdutória da pesquisa que se refere ao tema e à
questão investigativa, bem como o objetivo, justificativa e a metodologia. O capítulo 2,
aborda as principais definições e características da IA, destacando como é explorada
a visão dos principais idealistas, bem como princípios e história, e os motivos pelos
quais esse movimento se alastrou para vários países. Esta parte da pesquisa utilizou
obras dos principais autores sobre IA publicados nacionalmente e que possuem uma
linha de raciocínio ligada principalmente à Ciência da Computação. O capítulo 3,
apresenta um constructo teórico sobre a Inteligência Artificial na Educação,
dialogando com os estudos de vários pesquisadores nacionais e internacionais,
inclusive trazendo questões evidenciadas nos documentos oficiais que envolvem o
uso das tecnologias digitais da informação e comunicação no contexto educacional.

E, para finalizar esta pesquisa, o capítulo 4 nos mostra os resultados de uma

Revisão Sistemática de Literatura em que os principais estudos de IA na educação
encontrados na Biblioteca Digital Brasileira de Teses e Dissertações (BDTD) foram
catalogados, lidos e analisados para fornecer uma contribuição significativa para
fecharmos a pesquisa. Este capítulo foi dividido em eixos de estudo, os quais
apresentam a utilização da IA no contexto da educação.

1.2 CONTEXTO DA PESQUISA

Em 1996, o ex-campeão do mundo de xadrez e maior enxadrista de todos os

tempos, Garry Kasparov, radicado na Rússia ganhou três partidas, empatou duas e
perdeu uma contra o Deep Blue, o supercomputador criado pela empresa IBM
especificamente para o jogo. Nesta epopeia, a única derrota de Kasparov foi na
primeira partida, esta que passou a ser a primeira vez em que uma máquina conseguiu
vencer um ser humano sob regras normais de tempo. Um ano depois, em 1997, após
uma grande atualização, o Deep Blue venceu Kasparov em um confronto de 6 partidas
 16

(2 vitórias, 3 empates e 1 derrota) tornando-se o primeiro computador a vencer um

campeão mundial de xadrez com regras oficiais. Há controvérsias em relação à vitória
do Deep Blue sobre Kasparov que aqui não cabe discussão. Em 2016, o AlphaGo,
Inteligência Artificial criada pelo Google derrotou o campeão mundial por 18 vezes no
jogo de tabuleiro chinês Go, e que pratica a modalidade desde os 12 anos. O jogo
chinês é basicamente um jogo de intuição que requer estratégia e intuição humana.
O número de jogadas é gigantesco: são 200 possibilidades contra 20 do xadrez. O
Google conseguiu que o AlphaGo imitasse os humanos com treinamentos por
aprendizagem de máquina, além de redes neurais artificiais. O que estamos
presenciando não é apenas um computador que conseguiu ganhar de um campeão
mundial em um jogo chinês, mas sim, a capacidade da inteligência artificial de
aprender sozinha, e conseguir ser uma ferramenta na sociedade para resolver
problemas atuais, por exemplo, a mudança climática, o diagnóstico de doenças, na
educação, entre outros.

A IA está presente em nosso cotidiano desde os robôs das fábricas ao

computador de bordo do automóvel; também nas redes sociais que utilizamos
frequentemente, no celular smartphone, no buscador de internet e muitos outros
softwares. Os sistemas de ensino também têm se aperfeiçoado diariamente utilizando
novos métodos para que a experiência educativa dos envolvidos no processo seja
melhor e mais bem-sucedida. É sob o enfoque do uso da IA na educação que
buscamos nesta pesquisa respostas para a seguinte questão: O que as teses e
dissertações investigam sobre a Inteligência Artificial na educação/ensino no período
de 2015 a 2020? As pesquisas selecionadas mostram como a IA pode interferir no
processo de ensino e de aprendizagem em diferentes áreas do conhecimento, mas
que se convergem na possibilidade de melhoria da assimilação dos conteúdos
expostos nas disciplinas.
 17

Objetivos

1.2.1 Objetivo Geral

Analisar pesquisas, apresentadas entre 2015 e 2020, que investigam a

Inteligência Artificial e suas relações com o processo de ensino e aprendizagem nas
diferentes temáticas que a tecnologia pode oferecer.

1.2.2 Objetivos Específicos

 Analisar o histórico e os principais conceitos da IA;

 Identificar as ideias de IA presentes nos documentos oficiais curriculares;
 Abordar os estudos teóricos relacionados à IA na Educação.

1.3 JUSTIFICATIVA

Segundo dados levantados no relatório AI Readiness Index 2019, feito pela

Oxford Insights, a implementação da tecnologia de Inteligência Artificial movimentará
15 trilhões de dólares mundialmente até 2030. O Brasil está em 40º lugar entre os
192 países no que diz respeito a soluções de Inteligência Artificial.
A IA está inserida nas mais diversas áreas, tornando as máquinas inteligentes,
com características de raciocínio, percepção, adaptação e capacidade de evolução de
acordo com as informações que recebe, o que facilita as operações e o gerenciamento
de processos de forma eficiente e contribui para a evolução de uma sociedade mais
conectada e com possibilidades ilimitadas. Isso gera mudanças culturais e sociais,
fascina a humanidade e faz com que as pessoas, ao se apropriarem dessa tecnologia,
reconfigurem seus hábitos não apenas em termos da capacidade de uso, mas também
da apropriação da tecnologia, aceitação e interação.

Vivemos hoje cercados por IA em nossos smartphones, tablets, PC’s, e

também em vários outros componentes eletrônicos dotados de IoT (internet das
coisas) e que estão carregados de IA e têm alterado nossas rotinas profissionais e
pessoais. Os métodos de ensino e aprendizagem estão passando por uma
transformação em que a tecnologia tem sido parte importante no processo de ensino
e aprendizagem. A utilização de tecnologia, aliada às metodologias de ensino, está
alcançando níveis que jamais imaginaríamos que seria possível.

Frequentemente ouvimos falar dos chatbots (programas de computador

 18

desenvolvidos para realizar conversas com humanos), responsáveis por ajudar

pessoas a conseguir informações, largamente utilizado principalmente pelas
empresas comerciais e financeiras, mas que aos poucos estão sendo inseridos na
educação. Os sistemas serão individualizados e adaptativos para que o cliente ou
aluno seja direcionado a realizar determinadas tarefas conforme a suas escolhas e
preferências, pois, dessa forma, consegue melhorar seu desempenho na realização
das atividades. Estamos vivenciando também na educação, o rápido
desenvolvimento dos Sistemas de Tutores Inteligentes - STI, muito utilizados
principalmente nos Ambientes Virtuais de Aprendizagem dos diversos cursos on-line
espalhados pelo Brasil. Precisamos analisar os principais estudos e tendências da
evolução da IA na educação que possam possibilitar que as escolas, universidades,
educadores e pesquisadores compreendam os fenômenos educacionais atuais
ligados à tecnologia de Inteligência Artificial.

1.4 METODOLOGIA DA PESQUISA

Para iniciar a pesquisa, procuramos levantar quais questões deveriam ser

respondidas por meio de estudos do material analisado. Com o objetivo de procurar
conclusões sobre as possibilidades de uso da IA no processo de ensino e
aprendizagem, optou-se por um estudo bibliográfico aprofundado a fim de que as
respostas das questões fossem satisfatorias. A problemática levantada como objeto
de pesquisa se deu a partir de leituras sobre a temática que norteia os objetivos desta
pesquisa. Conforme Gil (2002, p.72), “o pesquisador precisa tomar contato com um
certo número de livros e artigos de periódicos para que se possa formular um problema
viável”.
Foram utilizados referenciais bibliográficos para o levantamento das
informações necessárias a fim de atender os objetivos da pesquisa, que é
caracterizada como uma pesquisa qualitativa, de cunho bibliográfico. Para realizar os
objetivos estabelecidos nesta pesquisa, adotou-se na primeira etapa a pesquisa
exploratória que:

tem como objetivo proporcionar maior familiaridade com o problema,

com vistas a torná-lo mais explícito ou a construir hipóteses. Pode-se dizer
que estas pesquisas têm como objetivo principal, o aprimoramento de ideias
ou a descoberta de intuições. (GIL, 2002, p. 41).
 19

Ainda de acordo com Gil (2002), a principal vantagem da pesquisa bibliográfica

reside no fato de permitir ao investigador a cobertura de uma gama de fenômenos
muito mais ampla do que aquela que poderia pesquisar diretamente. Dessa forma,
esse tipo de pesquisa contribuiu para a construção de um referencial mais amplo e
interdisciplinar sobre o objeto de pesquisa, o qual possibilitou a leitura de diferentes
pontos de vista sobre a temática em questão, contribuindo para uma formação mais
objetiva e substancial.

“A pesquisa bibliográfica não é mera repetição do que já foi dito ou escrito sobre
algum assunto, mas propicia o exame de um tema sob novo enfoque ou abordagem,
chegando a conclusões inovadoras” (MARCONI; LAKATOS, 2008, p. 57).

A pesquisa bibliográfica é feita a partir do levantamento de referências teóricas

já analisadas, e publicadas por meios escritos e eletrônicos, como livros, artigos
científicos, páginas de web sites. Qualquer trabalho científico inicia-se com uma
pesquisa bibliográfica, que permite ao pesquisador conhecer o que já se estudou
sobre o assunto. Existem, porém, pesquisas científicas que se baseiam unicamente
na pesquisa bibliográfica, “procurando referências teóricas publicadas com o objetivo
de recolher informações ou conhecimentos prévios sobre o problema a respeito do
qual se procura a resposta”. (FONSECA, 2002, p. 32).

A metodologia da presente pesquisa pauta-se pela literatura produzida sobre

os temas analisados. A coleta de informações sobre IA foi alicerçada nas obras dos
principais autores que impulsionaram o movimento, bem como pesquisas científicas
como teses e dissertações. A leitura sobre a IA, possibilitou descrever um capítulo
destinado exclusivamente para demonstrar seus princípios, assim como o contexto
histórico em que veio à tona as discussões sobre a tecnologia.

Em relação à utilização da IA na educação, a análise foi feita tendo como fonte

pesquisas recentes de instituições e pesquisadores renomados sobre as novas
demandas educacionais do século XXI.

Desse modo, por meio das leituras prévias sobre a temática e suas bases
teóricas, formularam-se os objetivos, a identificação das fontes e as relações entre os
objetos de pesquisa, tal qual a consistência da importância do tema abordado, pois,
conforme Gil (2012, p.74), a pesquisa bibliográfica deve conter os seguintes objetivos:

a) Identificar as informações e os dados constantes dos materiais;

 20

b) Estabelecer relações entre essas informações e dados e o problema

proposto;
c) Analisar a consistência das informações e dados apresentados pelos
autores. (GIL, 2002, p. 74).

Com base nesses pressupostos metodológicos, a referida pesquisa se

desenvolveu nas etapas a seguir.

1.4.1 Etapas da Pesquisa

Primeiramente houve a escolha pelo repositório de pesquisas a ser utilizado na

investigação em que as primeiras buscas pela temática estudada foram realizadas. A
fonte inicial foi o Portal de Periódicos da Capes, vinculado ao Ministério da Educação,
que a cada busca realizada com os mesmos parâmetros, porém em datas diversas,
traziam resultados diferentes com enorme disparidade na quantidade de resultados.
A segunda fonte pesquisada foi o repositório de artigos científicos Scielo, importante
fonte vinculada à Capes e à Fapesp, mas que em sua busca trouxe poucos resultados,
o que inviabilizaria uma análise robusta dos dados.
As palavras-chave utilizadas nestes repositórios foram:
Inteligência Artificial + educação
“Inteligência Artificial” + “educação”
Inteligência Artificial + ensino
“Inteligência Artificial” + “ensino”
Após a leitura de uma dissertação aleatória sobre o tema, procuramos por
pesquisas na Biblioteca Digital Brasileira de Teses e Dissertações (BDTD) que, em
2020, vem sendo amplamente utilizada.
Optamos, então, pela realização de uma Revisão Sistemática de Literatura
(RSL), a qual adotamos as seguintes etapas:
1.Procurar e definir a pergunta que objetiva esta pesquisa;
2.Escolher e definir o repositório a ser consultado entre as diversas existentes
na internet;
3.Consultar base de dados do repositório escolhido;
4.Identificar a incidência sobre a temática nas publicações acadêmicas;
5.Refinar a pesquisa por meio de critérios de inclusão/exclusão. As expressões
utilizadas na busca serão formuladas de acordo com as características de busca do
 21

repositório;
6.Incluir teses e dissertações publicadas no Brasil em um período específico;
7.Excluir os estudos, após leitura dos resumos, cujo conteúdo não seja
pertinente ao tema pesquisado;
8.Validar a pesquisa conforme aplicação dos critérios de inclusão/exclusão;
9.Organizar as informações de forma coerente para permitir análise das obras;
10. Depurar e tratar os dados através da leitura integral dos textos, e dessa
forma, responder à questão levantada pela presente pesquisa;
11. Concluir o estudo das publicações acadêmicas gerando novas informações
acerca do assunto pesquisado.
Após a seleção das leituras sobre a temática, foi elaborado um reconhecimento
das informações mais importantes para a construção e organização das ideias
relevantes.

De acordo com as metodologias e etapas descritas, estruturamos a pesquisa de

forma lógica, demonstrando sequenciamento das seções, visando a melhor compreensão
de todos os conceitos e conclusões.
 22

2 INTELIGÊNCIA ARTIFICIAL: HISTÓRIA E CONCEITOS

Este capítulo traz, primeiramente, de forma breve, um panorama histórico sobre

a Inteligência Artificial e os motivos pelos quais esse movimento se alastrou para
vários países. Na sequência, aborda as principais definições e características da IA,
destacando como vem sendo tratada por diversos estudiosos. Esta parte da pesquisa
utiliza obras dos principais autores sobre IA publicados nacionalmente e que possuem
uma linha de raciocínio ligada principalmente à Ciência da Computação.

2.1 CONTEXTO HISTÓRICO DA INTELIGÊNCIA ARTIFICIAL

Russel e Norvig (2013) apresentam no livro “Inteligência Artificial” um panorama

histórico da evolução da IA desde sua concepção até a data de sua publicação em
2013. É o livro completo sobre o estudo da IA sendo amplamente utilizado para
pesquisa acadêmica. De acordo com esses autores, apresentamos a evolução ao
longo do tempo da IA de forma resumida.

1943 - o primeiro trabalho reconhecido como IA foi realizado por Warren

McCulloch e Walter Pitts que se basearam em três fontes: “o conhecimento da
fisiologia básica e da função dos neurônios no cérebro; uma análise formal da lógica
proposicional criada por Russell e Whitehead e a teoria da computação de Turing”.
(RUSSEL; NORVIG, 2013, p. 16).

1949 – Donald Hebb demonstrou uma regra de atualização simples para

modificar as intensidades de conexão entre neurônios. Sua regra, agora chamada
aprendizado de Hebb, continua a ser um modelo influente até hoje.

1950 – Marvin Minsky e Dean Edmonds construíram o primeiro computador de

rede neural. Neste ano, o matemático inglês Alan Turing foi quem primeiro articulou
uma visão de IA em seu artigo “Computing Machinery and Intelligence”, que em sua
primeira linha de pesquisa questiona: “Podem as máquinas pensar?” e discute em
seguida a possibilidade de aquilo acontecer um dia e como isso poderia ser avaliado
objetivamente. Foi apresentado ainda o “Teste de Turing”, também chamado de Jogo
da Imitação que consistia em um diálogo em que participam três elementos: dois seres
 23

humanos e um computador; cabia ao interrogador (ser humano) estabelecer um

diálogo com os outros dois elementos sem interação frente a frente com os
interlocutores, e ao interrogador caberia distinguir o diálogo que teve com o homem e
com a máquina.

1956 – Matemáticos e lógicos reuniram-se em uma pequena conferência no

Dartmouth College em New Hampshire, nos Estados Unidos, para discutir os fatores
envolvidos na construção de computadores habilitados a simular aspectos do
pensamento. Entre os participantes de destaque estavam Allen Newell, Herbert
Simon, o matemático John McCarthy (1927-2011) que formulou o termo “inteligência
artificial”, e, por último, o matemático Marvin Minsky (1927-2016) (os dois últimos
fundaram em 1957 o primeiro laboratório de inteligência artificial no Instituto de
Tecnologia de Massachusetts - MIT).

1952-1969 – Os primeiros anos da IA foram repletos de sucessos, mas de uma

forma limitada, pois considerava-se os primeiros computadores muito primitivos, pois
as ferramentas de programação da época eram capazes de efetuar operações
aritméticas e nada mais. Na IBM, Nathaniel Rochester e seus colegas produziram
alguns dos primeiros programas de IA. Herbert Gelernter (1959) construiu o Geometry
Theorem Prover, que podia demonstrar teoremas que seriam considerados
complicados por muitos alunos de matemática. A partir de 1952, Arthur Samuel
escreveu uma série de programas para jogos de damas que eventualmente aprendia,
a jogar em um nível amador elevado. Também em 1958, McCarthy publicou um artigo
intitulado Programs with common sense, em que descrevia o Advice Taker, um
programa hipotético que pode ser visto como o primeiro sistema de IA completo. Como
o Logic Theorist e o Geometry Theorem Prover, o programa de McCarthy foi projetado
para usar o conhecimento com a finalidade de buscar soluções para problemas. O
ano de 1958 também marcou a época em que Marvin Minsky foi para o MIT. McCarthy
enfatizava a representação e o raciocínio em lógica formal, enquanto Minsky estava
mais interessado em fazer os programas funcionarem e, eventualmente, desenvolveu
uma perspectiva contrária ao estudo da lógica. Em 1963, McCarthy fundou o
laboratório de IA em Stanford.

1966-1973 – Uma declaração de Herbert Simon em 1957 frequentemente é

citada: “Não é meu objetivo surpreendê-los ou chocá-los, mas o modo mais simples
de resumir tudo isso é dizer que agora existem no mundo máquinas que pensam,
 24

aprendem e criam. Além disso, sua capacidade de realizar essas atividades está
crescendo rapidamente até o ponto — em um futuro visível — no qual a variedade de
problemas com que elas poderão lidar será correspondente à variedade de problemas
com os quais lida a mente humana”. (RUSSEL; NORVIG, 2013, p. 20).

O primeiro tipo de dificuldade surgiu porque a maioria dos primeiros programas

não tinham conhecimentos de seu assunto; eles obtinham sucesso por meio de
manipulações sintáticas simples. O segundo tipo de dificuldade foi a impossibilidade
de tratar muitos dos problemas que a IA estava tentando resolver. A maior parte dos
primeiros programas de IA resolvia problemas experimentando diferentes
combinações de passos até encontrar a solução. Uma terceira dificuldade surgiu
devido a algumas limitações fundamentais nas estruturas básicas que estavam sendo
utilizadas para gerar o comportamento inteligente. Por exemplo, o livro de Minsky e
Papert, Perceptrons (1969), provou que, embora os perceptrons (uma forma simples
de rede neural) pudessem aprender tudo o que eram capazes de representar, eles
podiam representar pouco. Em particular, um perceptron de duas entradas não podia
ser treinado para reconhecer quando suas duas entradas eram diferentes.

1969-1979 – O quadro de resolução de problemas que havia surgido durante a

primeira década de pesquisas em IA foi o de um mecanismo de busca de uso geral
que procurava reunir passos elementares de raciocínio para encontrar soluções
completas. Tais abordagens foram chamadas de métodos fracos porque, embora
gerais, não podiam ter aumento de escala para instâncias de problemas grandes ou
difíceis. A alternativa para métodos fracos é usar um conhecimento mais amplo e
específico de domínio que permita passos de raciocínio maiores e que possam tratar
com mais facilidade casos que ocorrem tipicamente em especialidades estritas. O
programa “DENDRAL” foi um exemplo inicial dessa abordagem. Ele foi desenvolvido
em Stanford, em que Ed Feigenbaum (um antigo aluno de Herbert Simon), Bruce
Buchanan (filósofo transformado em cientista de computação) e Joshua Lederberg
(geneticista laureado com um Prêmio Nobel) formaram uma equipe para resolver o
problema de inferir a estrutura molecular a partir das informações fornecidas por um
espectrômetro de massa.

1980 até a atualidade – A IA se torna uma indústria. O primeiro sistema

especialista comercial bem-sucedido, o R1, iniciou sua operação na Digital Equipment
Corporation. (MCDERMOTT, 1982). O programa ajudou a configurar pedidos de
 25

novos sistemas de computadores; em 1986, ele estava fazendo a empresa

economizar cerca de 40 milhões de dólares por ano. Em 1988, o grupo de IA da DEC
tinha 40 sistemas especialistas entregues, com outros sendo produzidos. A Du Pont
tinha 100 desses sistemas em uso e 500 em desenvolvimento. Quase todas as
corporações importantes dos Estados Unidos tinham seu próprio grupo de IA e
estavam usando ou investigando sistemas especialistas.

1986 até a atualidade – O retorno das redes neurais. Em meados dos anos
1980, pelo menos quatro grupos diferentes reinventaram o algoritmo de aprendizado
por retroprogramação. O algoritmo foi aplicado a muitos problemas de aprendizado
em ciência da computação e psicologia. Os chamados “modelos conexionistas” para
sistemas inteligentes, eram vistos por alguns como concorrentes diretos dos modelos
simbólicos promovidos por Newell e Simon e da abordagem logicista de McCarthy e
outros pesquisadores (SMOLENSKY, 1988). Embora aparente ser óbvio que, em
certo nível, os seres humanos manipulam símbolos — de fato, o livro de Terrence
“Deacon, The Symbolic Species” (1997), sugere que essa é a característica que define
os seres humanos —, os conexionistas mais fervorosos questionavam se a
manipulação de símbolos tinha qualquer função explicativa real em modelos
detalhados de cognição. Como ocorreu com a separação da IA e da ciência cognitiva,
a pesquisa moderna de rede neural se bifurcou em dois campos: um preocupado com
a criação de algoritmos e arquiteturas de rede eficazes e a compreensão de suas
propriedades matemáticas, e o outro preocupado com a modelagem cuidadosa das
propriedades empíricas de neurônios reais e conjuntos de neurônios.

1987 até a atualidade – A IA se torna uma ciência. Nos últimos anos, houve
uma revolução no trabalho em inteligência artificial, tanto no conteúdo quanto na
metodologia. Agora é mais comum usar as teorias existentes como bases, em vez de
propor teorias inteiramente novas; fundamentar as afirmações em teoremas rigorosos
ou na evidência experimental rígida, em vez de utilizar como base a intuição e
destacar a relevância de aplicações reais em vez de exemplos de brinquedos. Em
termos de metodologia, a IA finalmente adotou com firmeza o método científico.

As redes neurais também seguem essa tendência. Grande parte do trabalho

em redes neurais nos anos 1980 foi realizado na tentativa de definir a abrangência do
que poderia ser feito e de aprender como as redes neurais diferem das técnicas
“tradicionais”. Utilizando metodologia aperfeiçoada e estruturas teóricas, o campo
 26

chegou a uma compreensão tal que, agora, as redes neurais podem ser comparadas
a técnicas correspondentes da estatística, do reconhecimento de padrões e do
aprendizado de máquina, podendo ser utilizada a técnica mais promissora em cada
aplicação. Como resultado desse desenvolvimento, a tecnologia denominada
mineração de dados gerou uma nova e vigorosa indústria.

Revoluções suaves semelhantes a essa ocorreram nos campos de robótica,

visão computacional e representação de conhecimento. Uma compreensão melhor
dos problemas e de suas propriedades de complexidade, combinada à maior
sofisticação matemática, resultou em agendas de pesquisa utilizáveis e métodos
robustos. Apesar do aumento da formalização e da especialização terem levado
campos como visão e robótica a tornarem-se de alguma forma isolados do “principal”
em IA nos anos 1990, essa tendência foi revertida nos últimos anos à medida que
ferramentas de aprendizado de máquina, em particular, mostraram-se eficazes para
muitos problemas.

1995 até a atualidade – surgimento de agentes inteligentes. Os pesquisadores

também começaram a examinar mais uma vez o problema do “agente como um todo”.
O trabalho de Allen Newell, John Laird e Paul Rosenbloom no SOAR (NEWELL, 1990;
LAIRD et al., 1987 apud RUSSEL; NORVIG, 2013,) é o exemplo mais conhecido de
uma arquitetura completa de agente. Um dos ambientes mais importantes para
agentes inteligentes é a Internet. Os sistemas de IA se tornaram tão comuns em
aplicações da Web que o sufixo “bot” passou a fazer parte da linguagem cotidiana.
Além disso, as tecnologias da IA servem de base a muitas ferramentas da Internet,
como mecanismos de pesquisa, sistemas de recomendação (recommender systems)
e agregadores de conteúdo de construção de sites.

Uma consequência de tentar construir agentes completos é a constatação de

que os subcampos previamente isolados da IA podem necessitar ser reorganizados
quando tiver de unir os resultados. Em particular, hoje é amplamente reconhecido que
os sistemas sensoriais (visão, sonar, reconhecimento de voz etc.) não podem fornecer
informações perfeitamente confiáveis sobre o meio ambiente. Assim, os sistemas de
raciocínio e de planejamento devem ser capazes de lidar com a incerteza. Uma
segunda consequência importante pela perspectiva do agente é que a IA foi
estabelecida em contato muito mais próximo com outros campos, como teoria de
controle e economia, que também lidam com agentes. O progresso recente do
 27

controle de carros robóticos foi derivado de uma mistura de abordagens que vai desde
melhores sensores, controle teórico da integração do sensoriamento, localização e
mapeamento, bem como um grau de alto nível de planejamento.

2001 até a atualidade – Disponibilidade de conjuntos de dados muito grandes

– Ao longo de 60 anos de história da ciência da computação, a ênfase tem sido no
algoritmo como o assunto principal de estudo, mas algumas pesquisas recentes da IA
sugerem que, para muitos problemas, faz mais sentido se preocupar com os dados e
ser menos exigente sobre qual algoritmo aplicar.

Dias atuais – hoje vivenciamos uma explosão de IA em nosso cotidiano.

Estamos abastecidos por ela seja no smartphone, no computador e tablets, no carro
e TV, entre outros dispositivos. Usamos a IA sem perceber que está nos sugerindo
ideias, vontades e até mesmo manipulando nossas escolhas, basta vermos nosso
navegador de internet e as sugestões de compra ao qual tenhamos feito alguma
pesquisa de algum produto em um dia anterior; sugestões de filmes e vídeos na Netflix
e Youtube pelo nosso histórico; presente também nas empresas na parte de
automação de serviços, controle de estoques, atendimento ao cliente, análise do
consumidor, segurança e vigilância, e bastante pesquisado na área da medicina (para
detecção de doenças e novas fórmulas para remédios), entre outros.

Os gastos com sistemas de IA chegarão a US$ 97,9 bilhões em 2023, quase o

triplo dos US$ 37,5 bilhões gastos até 2019, de acordo com o IDC (International Data
Corporation), segundo o site “Business Review”, principal fornecedor global de
inteligência de mercado, serviços de consultoria e eventos para os mercados de
tecnologia da informação.

2.2 CONCEITOS DE INTELIGÊNCIA ARTIFICIAL

Inteligência artificial (IA) é um termo cunhado inicialmente por John MacCarthy

em 1956 e apresentado à comunidade acadêmica durante uma conferência no
Dartmouth College, New Hampshire. Em Silva e Gonsales (2018) a IA é explicada da
seguinte forma:

Sinteticamente, Inteligência Artificial (IA) é o termo usado para programas de

computador que são moldados e programados por humanos para ter um
 28

pouco de inteligência, ou seja, para poderem ajudar humanos a tomar

melhores decisões e fazer escolha. O "aprender" que as máquinas podem
realizar envolve saber utilizar o histórico de dados armazenados e
disponíveis, simulações, e ir analisando e cruzando dados de forma constante
e contínua. (SILVA; GONSALES, 2018).

A Inteligência Artificial para Luger (2013, p. 1), “é o ramo da ciência da

computação que se ocupa da automação do comportamento inteligente”.
Para Russel e Norvig (2016), a inteligência artificial basicamente pode ser
organizada em quatro categorias. Sistemas que pensam ou agem como humanos e
sistemas que pensam ou agem racionalmente, isto é, “cada tipo possui uma
abordagem diferente para tentar resolver problemas que a computação tradicional não
conseguiria resolver” (RUSSELL; NORVIG, 2013).
O quadro 1 mostra resumidamente o conceito de IA:

Quadro 1 – Conceito de IA.

PENSANDO COMO UM HUMANO PENSANDO RACIONALMENTE

“O novo e interessante esforço para fazer “O estudo das faculdades mentais pelo
os computadores pensarem” (...) uso de modelos computacionais.”
“máquinas com mentes, no sentido total (CHARNIAK; MCDERMOTT, 1985).
e literal.” (HAUGELAND, 1985).

“[Automatização de] atividades que

associamos ao pensamento humano, “O estudo das computações que
atividades como a tomada de decisões, tornam possível perceber, raciocinar e
a resolução de problemas, o agir.” (WINSTON, 1992)
aprendizado...” (BELLMAN, 1978).

AGINDO COMO UM HUMANO AGINDO RACIONALMENTE

“A arte de criar máquinas que executam “Inteligência Computacional é o estudo

funções que exigem inteligência quando do projeto de agentes inteligentes.”
executadas por pessoas.” (POOLE et a., 1998).
(KURZWEIL, 1990).

“O estudo de como os computadores

podem fazer tarefas que hoje são melhor “IA... está relacionada a um
desempenhadas pelas pessoas.” desempenho inteligente de artefatos.”
(RICH; KNIGHT, 1991). (NILSSON, 1998).

Fonte: Russell e Norvig (2013, p. 5).

De acordo com Pontes (2011, p. 12), a IA pode ser compreendida a partir de

elementos que têm por objetivo a resolução de problemas, a construção de criaturas
 29

inteligentes que sejam capazes de compreender como pensam os seres humanos,

podendo também ser classificada como uma área de pesquisa da Ciência da
Computação, que busca métodos ou dispositivos computacionais que possam simular
a capacidade racional humana para resolver problemas, tomar decisões ou de forma
ampla, ser inteligente.
Segundo Teixeira (2009, p. 7), a IA é uma tecnologia que fica a meio caminho
entre a ciência e a arte. Seu objetivo é construir máquinas que, ao resolver problemas,
pareçam pensar. Já para Ribeiro (2010, p. 8), “a inteligência artificial é uma ciência
multidisciplinar que busca desenvolver e aplicar técnicas computacionais que simulem
o comportamento humano em atividades específicas”.
Hoje vivenciamos um momento em que a Inteligência Artificial já dá sinais de
que pode substituir o raciocínio humano em diversas áreas, superando-o em alguns
aspectos, como fazer cálculos, buscar por resultados e tomar decisões, dando a
entender que, em breve, a educação poderá sofrer grandes mudanças em relação às
metodologias de ensino.
A tecnologia vem sendo aprimorada e aplicada na educação modificando as
formas de ensinar e aprender, como podemos verificar historicamente no tópico
seguinte.

2.3 INTELIGÊNCIA ARTIFICIAL E O ENSINO

A tecnologia computacional se desenvolveu exponencialmente no decorrer da

história, já o ensino, caminhou por passos mais lentos, mas é importante salientar que
nos últimos anos a evolução da área deu um salto de progressão jamais visto em sua
trajetória até então.

O homem transita culturalmente mediado pelas tecnologias que lhe são

contemporâneas. Elas transformam suas maneiras de pensar, sentir, agir.
Mudam também suas formas de se comunicar e de adquirir conhecimentos.
(KENSKI, 2003, p.21)

Viccari (1989, p. 14) diz que a utilização dos computadores no ensino remonta
os anos 60 com os sistemas para a Instrução Assistida para Computador (IAC –
Computer Assisted Instruction). Ela ressalta que os “primeiros sistemas tinham poucas
capacidades cognitivas e obrigavam o aluno a atuar de forma passiva, isto é, a sua
 30

participação o resumia-se à seleção de alternativas” (p. 14). O modelo da

apresentação não podia ser alterado: o sistema agia da mesma forma com todos os
alunos (ensino programado linearmente).

Seymour Papert foi um dos primeiros autores construtivistas a propor

aplicações educacionais de tecnologias computacionais segundo princípios do
construtivismo. Em “1970 comandou um simpósio no MIT intitulado ‘Ensinar crianças
a pensar’ no qual propunha a utilização dos computadores como mecanismos que
crianças ensinariam e, ensinando, aprenderiam” (NEGROPONTE, 1995). Esta
perspectiva é retomada por Papert em obras como “LOGO: o computador e a
educação”, de 1980:

é a criança que deve programar o computador e, ao fazê-lo, ela adquire um

sentimento de domínio sobre um dos mais modernos e poderosos
equipamentos tecnológicos e estabelece um contato íntimo com algumas
ideias mais profundas da ciência, da matemática e da arte de construir
modelos intelectuais. (PAPERT, 1985, p.17).

Essas ideias de Papert deram origem a Programas de uso da Linguagem de

Programação Logo no contexto educacional. No Brasil, este uso iniciou em 1985 com
um projeto de pesquisa do Ministério da Educação denominado de EDUCOM, e a
partir daí outros projetos de pesquisas e de implementação do Logo foram sendo
ampliados nas escolas, como mostram os estudos de Valente (1996), e Freire e Prado
(2000), por exemplo.

Numa outra abordagem diferente de Papert, em 1954, ficou em evidência as

máquinas formuladas por F. Skinner (1904-1990), propositor da corrente da psicologia
comportamental.

Ao ensinar, o professor facilitaria a possibilidade do comportamento do aluno

de ficar sob o controle de uma série de contingências concorrentes e
inadequadas à produção das respostas que deveria aprender. Para além das
pretensões do educador, o comportamento do aluno poderia ficar sob o
controle de aspectos que não estão relacionados às instruções de ensino
emitidas pelo professor. Uma solução que ajudaria a amenizar esse problema
seria o uso, pelo professor, do apoio de aparelhos voltados ao ensino.
(CAMPOS, 2018 p.117).

As máquinas de ensinar de Skinner permitiam um ensino individualizado para

cada aprendiz, diminuindo a necessidade de uma atuação direta do professor sobre
diversas etapas da aprendizagem. Tais máquinas eram organizadas para modelarem
gradualmente o comportamento dos alunos segundo os princípios do
 31

condicionamento operante (sempre que o aluno apresentava uma resposta adequada

para uma situação específica, ocorria uma consequência que aumentava a
probabilidade da mesma ação ocorrer em uma situação semelhante futura). A
tecnologia do ensino de Skinner procurava, por meio de um ensino programado, com
instruções encadeadas em uma sequência lógica, fazer os estudantes aprender
gradativamente o repertório necessário para o desempenho do comportamento.
A Instrução Assistida por Computador (CAI), tinha uma base teórica de ensino
e aprendizagem diferente das ideias de Papert que enfatizava a importância do aluno
ensinar o computador e, nesse processo, vivenciar a construção do conhecimento e
de estratégias de resolução de problemas. Desse modo, Papert cunhou o termo
“construcionismo”, que se constitui por princípios teóricos da Pedagogia (aprender-
fazendo, de Dewey), da Psicologia (construtivismo de Piaget) e da Inteligência
computacional (de Minsky).

Valente, foi discípulo de Papert e um dos pesquisadores pioneiros que atuou

junto aos Programas de Políticas Públicas do nosso país. Esteve relacionado à
disseminação e à formação de professores para o uso da Linguagem de Programação
Logo nas escolas de Educação Básica. Os estudos de Valente (1999), mostram que
o desenvolvimento de softwares educacionais mais abertos e interativos, incluídas
linguagens de programação, por exemplo a Scratch que enfocam o processo de
aprendizagem do aluno numa perspectiva de autoria, permite a exploração e o
desenvolvimento do pensamento computacional, o qual tem sido uma das metas
destacadas nos documentos curriculares oficiais, como a Base Nacional Curricular
Comum – BNCC (BRASIL, 2018).

Podemos verificar que ao longo dos anos a computação vem sendo aplicada
nos processos de ensino e aprendizagem, de forma que os alunos possam interagir e
dominar a tecnologia, como propôs Papert em suas experiências, ou seja, a criança
não é apenas um usuário do computador, ela tem domínio sobre a máquina e
comanda as atividades realizadas. Nesta forma de incluir a programação, a
inteligência artificial e o domínio da máquina no campo da educação têm aberto novas
perspectivas sobre o ensino, conforme veremos no capítulo seguinte: Inteligência
Artificial na educação.
 32

3 INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: VISÃO TEÓRICA

Este capítulo, apresenta um constructo teórico sobre a IA na Educação

dialogando com os estudos de vários pesquisadores nacionais e internacionais.
Inicialmente aborda questões evidenciadas nos documentos oficiais que envolvem o
uso das tecnologias digitais da informação e comunicação no contexto educacional.

3.1 CONSTITUIÇÃO DO ESTUDO DE IA NA EDUCAÇÃO

As principais ideias e discussões a respeito da inteligência artificial na

educação (IAED) em diversos países e as análises de publicações estrangeiras e
brasileiras, são elencadas no quadro 2 a seguir:

Quadro 2 - Artigos sobre IA na educação utilizados para embasamento teórico.

ARTIGOS SOBRE IAED
TÍTULO AUTOR PUBLICAÇÃO
2000
Ministério da Educação do
Documentos oficiais brasileiros 2002
Brasil
2018
Artificial Intelligence in Education:
Challenges and Opportunities for UNESCO 2019
Sustainable Development
Intelligence Unleashed An argument
Pearson 2016
for AI in Education
Teaching in the machine age Christensen Institute 2016
Centro de Inovação para a
Inteligência Artificial Na Educação 2019
Educação Brasileira (CIEB)
Tendências em inteligência artificial na Confederação Nacional da
2018
educação no período de 2017 a 2030 Indústria (CNI)
Fonte: o autor (2020).

Inicialmente abordamos o assunto sob a ótica da legislação brasileira, em que

momento e quais as perspectivas para a inclusão da inteligência artificial na educação.
Nesse sentido, destacamos os princípios que denotam a inclusão da informática e da
computação nos currículos atuais até os primeiros sinais de que a IA poderá ser
utilizada no processo de ensino e aprendizagem.
 33

3.2 IA E DOCUMENTOS OFICIAIS BRASILEIROS

As Bases Legais do PCN do ano de 2000, no capítulo “Linguagens, Códigos e

suas tecnologias”, mostram que a revolução tecnológica cria novas formas de
socialização, processos de produção e, até mesmo, novas definições de identidade
individual e coletiva” (p. 13). É de conhecimento geral que o universo da tecnologia
digital comporta dimensões múltiplas: os investimentos industriais, o complexo campo
da programação e das linguagens, a multiplicidade de diferentes usos, entre outras.

Vimos pela primeira vez sobre o complexo campo da programação e das

linguagens que se entende como o início para o uso da programação com finalidade
educacional, e assim, colocando a IA no caminho para este desenvolvimento. O
objetivo da inclusão da informática como componente curricular é permitir o acesso a
todos os que desejam torná-la um elemento de sua cultura, assim como aqueles para
os quais a abordagem puramente técnica parece insuficiente para o entendimento de
seus mecanismos profundos.

Na educação, as mudanças não ocorrem de forma tão rápida quanto na

tecnologia computacional, gerando um distanciamento a ser superado. O mundo da
tecnologia e da informação nos fornece indicações, aprimora os nossos sentidos,
permite-nos viver um bem-estar que nossos antepassados não ousaram sonhar. Ter
acesso ou não à informação pode se constituir em elemento de discriminação na nova
sociedade que se organiza. “O que já se pode constatar é o distanciamento entre os
que conhecem e desconhecem o funcionamento dos computadores” (PCN, 2000, p.
60).

Esse problema pode ser superado por meio de mudanças nos currículos
escolares que devem desenvolver competências de obtenção e utilização de
informações, por meio do computador, e adaptar os alunos para a presença de novas
tecnologias no cotidiano. Dentre as principais competências, segundo o PCN (2000,
p. 62), podemos destacar:

- Construir, mediante experiências práticas, protótipos de sistemas

automatizados em diferentes áreas, ligadas à realidade do estudante,
utilizando-se, para isso, de conhecimentos interdisciplinares.
- Reconhecer a Informática como ferramenta para novas estratégias de
aprendizagem, capaz de contribuir de forma significativa para o processo de
construção do conhecimento, nas diversas áreas. (BRASIL, 2000, p. 62).
 34

Já no livro “Linguagens, Códigos e suas Tecnologias” do PCN+ que trata das

Orientações Educacionais Complementares aos Parâmetros Curriculares Nacionais,
podemos verificar em seu capítulo sobre informática que esta não deve ser
considerada como disciplina, mas como ferramenta complementar às demais já
utilizadas na escola, colocando-se, assim, disponível para todas as disciplinas.

Com este conjunto de elementos combinatórios, o aluno encontra

oportunidades para o uso dos vários recursos tecnológicos que podem
intermediar a aprendizagem de conteúdos multidisciplinares, por meio da
pedagogia de projetos, por exemplo, além de desenvolver as competências
necessárias para se inserir e manter-se no mercado de trabalho”. (BRASIL,
2002, p. 207).

Supõe-se, portanto, que os currículos atuais devem prever o desenvolvimento

de competências e habilidades específicas da área de tecnologia relacionadas
principalmente às tecnologias de informação e comunicação, para obtenção, seleção
e utilização de informações por meio do computador. O aluno encontra oportunidades
para o uso dos vários recursos tecnológicos que podem intermediar a aprendizagem
de conteúdos multidisciplinares, por meio da pedagogia de projetos, por exemplo,
além de desenvolver as competências necessárias para se inserir e manter-se no
mercado de trabalho (BRASIL, 2002, p. 208).

Os computadores são produtos de uma tecnologia inteligente: “são máquinas

semânticas, utilizando formas de linguagem bastante sofisticadas, tais como:
imagens, códigos de linguagem, processadores de texto e cálculo etc.” (BRASIL,
2002, p. 210).

Neste último trecho, também presenciamos os termos “tecnologia inteligente”,

que pode ser entendido como uma evolução em relação ao PCN do ano 2000. Os
termos passaram de “Linguagem de Programação” para “Tecnologia Inteligente”.
Na Base Nacional Comum Curricular (BNCC) que trata da questão no ensino
médio, em seu capítulo “As tecnologias digitais e a computação” diz que tanto a
computação quanto as tecnologias digitais de informação e comunicação (TDIC)
podem contribuir para o aprendizado dos alunos. Podemos destacar alguns
conhecimentos e habilidades expressos no documento:
- Pensamento computacional: envolve as capacidades de compreender,
analisar, definir, modelar, resolver, comparar e automatizar problemas e suas
 35

soluções, de forma metódica e sistemática, por meio do desenvolvimento de

algoritmos;
- Mundo digital: envolve as aprendizagens relativas às formas de processar,
transmitir e distribuir a informação de maneira segura e confiável em diferentes
artefatos digitais – tanto físicos (computadores, celulares, tablets etc.) como virtuais
(internet, redes sociais e nuvens de dados, entre outros) –, compreendendo a
importância contemporânea de codificar, armazenar e proteger a informação;
- Cultura digital: envolve aprendizagens voltadas a uma participação mais
consciente e democrática por meio das tecnologias digitais, o que supõe a
compreensão dos impactos da revolução digital e dos avanços do mundo digital na
sociedade contemporânea, a construção de uma atitude crítica, ética e responsável
em relação à multiplicidade de ofertas midiáticas e digitais, aos usos possíveis das
diferentes tecnologias e aos conteúdos por elas veiculados, e, também, à fluência no
uso da tecnologia digital para expressão de soluções e manifestações culturais de
forma contextualizada e crítica.
A tecnologia digital de comunicação e informação está presente em nosso dia
a dia e não se pode mais ignorar que os jovens de hoje estão cada vez mais inseridos
neste mundo. O currículo está em constante desenvolvimento conforme visualizado
nos três documentos apresentados (PCN, PCN+ e BNCC) cronologicamente e é
possível destacar que a informática/computação tem adquirido um importante papel
no processo de ensino e aprendizagem. Há indícios de lógica de programação no PCN
de 2000 indicando que a IA seria introduzida nas próximas versões. O PCN+
apresenta o computador como produto de ponta de uma tecnologia inteligente, isto é,
uma tecnologia que se desenvolve e se estrutura a partir de componentes oriundos
de processos cerebrais. A tecnologia está em constante evolução e a IA passará a
fazer parte do nosso cotidiano. Essa possibilidade se torna cada vez mais
evidenciada, inclusive quando os documentos curriculares oficiais deixam claro a
importância de propiciar aos estudantes o desenvolvimento de novas competências
relacionadas às tecnologias digitais. Os documentos da BNCC, da área de
Matemática, segundo Prado et al. (2020, p. 201), “enfatiza a utilização das tecnologias
na perspectiva da resolução de problema” visando com isso “contribuir para o
desenvolvimento de competências relativas ao letramento matemático (raciocínio,
representação, comunicação e argumentação) e ao pensamento computacional” (p.
201). Sobre o pensamento computacional vários estudos vêm sendo realizados por
 36

pesquisadores da Ciência da Computação e da Educação. Wing (2006, p. 33),

destaca que “o pensamento computacional é uma habilidade fundamental para todos,
não somente para cientistas da computação”, e acrescenta que, além da “leitura,
escrita e aritmética, deveríamos incluir o pensamento computacional na habilidade
analítica de todas as crianças.”
Assim, de maneira sucinta pode-se dizer que o pensamento computacional
envolve as capacidades de compreender, analisar, definir, modelar, resolver,
comparar e automatizar problemas e suas soluções, de forma metódica e sistemática,
por meio do desenvolvimento de algoritmos. Acrescida a essa definição, Prado et
al.(2020) traz a visão de Blikstein (2008, p. 197) que destaca ao pensamento
computacional o fato de “envolver o uso do computador como uma ferramenta que
amplia o poder cognitivo e operacional humano de modo a favorecer a produção de
conhecimento e a criatividade”.

3.3 PUBLICAÇÕES SOBRE IA NA EDUCAÇÃO

Este tópico é dedicado à compilação dos principais assuntos referente à IA na

educação no ponto de vista dos principais estudos realizados por instituições de
renome nacional e internacional. Primeiramente apresentaremos um panorama geral
da IA na educação e, em seguida, os tópicos conforme a temática abordada em cada
um dos textos.
O artigo “Artificial Intelligence in Education: Challenges and Opportunities for
Sustainable Development” publicado pela UNESCO em 2019 em sua “Agenda Global
para Educação 2030”, escrita por Francesc Pedro e demais colaboradores, apresenta
a inteligência artificial como um domínio tecnológico em expansão capaz de alterar
todos os aspectos de nossas interações sociais. Na educação, a IA começou a
produzir novas soluções de ensino e aprendizagem que agora estão sendo testadas
em diferentes contextos.
Segundo o CIEB - Centro de Inovação para a Educação Brasileira (2019, p. 9)
a IA na Educação (IAED) agrega duas grandes áreas: a Ciência da Computação e as
Ciências da Aprendizagem; é uma área ainda pouco conhecida no Brasil, que reúne
diferentes campos do conhecimento, como psicologia, ciência cognitiva, antropologia,
linguística, neurociência, entre outras, com o objetivo compreender de forma mais
ampla, sob diferentes perspectivas do processo de ensino e aprendizagem.
 37

Neste contexto, a IAED tem dois objetivos fundamentais, destacados no quadro

abaixo:

Quadro 3 - Objetivos da IAED.

OBJETIVOS
Educacional Compreender de maneira mais profunda e detalhada: como e
quando a aprendizagem realmente ocorre, fornecendo
subsídios para melhorar as práticas educacionais/ instrucionais.

Tecnológico Promover o desenvolvimento de ambientes adaptativos de

aprendizagem mais flexíveis, inclusivos, personalizados,
envolventes e eficazes.

Fonte: CIEB (2019, p. 9).

O documento da UNESCO aborda os desafios e implicações políticas que

devem fazer parte das conversas globais sobre as possibilidades e os riscos de
introduzir a IA na educação e preparar os alunos para este contexto baseado na IA.
Seis desafios são apresentados, quais sejam:

Quadro 4 - Desafios da IA na Educação.

DESAFIOS
1 O primeiro desafio está no desenvolvimento de uma visão abrangente de
políticas públicas sobre IA para o desenvolvimento sustentável. A
complexidade das condições tecnológicas necessárias para avançar neste
campo requer o alinhamento de múltiplos fatores e instituições. As políticas
públicas precisam trabalhar em parceria nos níveis internacional e nacional
para criar um ecossistema de IA que sirva ao desenvolvimento sustentável.
2 O segundo desafio é garantir a inclusão e a equidade da IA na educação. Os
países menos desenvolvidos correm o risco de sofrer novas divisões
tecnológicas, econômicas e sociais com o progresso da IA. Alguns obstáculos
principais, como infraestrutura tecnológica básica, devem ser enfrentados para
 38

estabelecer as condições básicas para a implementação de novas estratégias

que aproveitem a IA para melhorar o aprendizado.
3 O terceiro desafio é preparar os professores para uma educação baseada na
IA: professores precisam aprender novas habilidades digitais para usar a IA de
maneira pedagógica e significativa, e os desenvolvedores precisam aprender
como os professores trabalham e criar soluções sustentáveis nos ambientes
da vida real.
4 O quarto desafio é desenvolver sistemas de dados inclusivos e de qualidade.
Se estamos caminhando para a informação sobre educação, a qualidade dos
dados deve ser nossa principal preocupação. É essencial desenvolver
recursos estatais para melhorar a coleta e sistematização de dados. A
evolução da IA deve ser uma oportunidade para aumentar a importância dos
dados no gerenciamento do sistema educacional.
5 O quinto desafio é tornar significativas as pesquisas sobre IA na educação.
Embora seja razoavelmente esperado que a pesquisa em IA na educação
aumente nos próximos anos, vale a pena recordar as dificuldades que o setor
educacional teve em fazer um balanço da pesquisa educacional de maneira
significativa, tanto para a prática quanto para a formulação de políticas.
6 O sexto desafio trata da ética e da transparência na coleta, uso e disseminação
de dados. A IA abre muitas preocupações éticas em relação ao acesso ao
sistema educacional, recomendações para estudantes individuais,
concentração de dados pessoais, responsabilidade, impacto no trabalho,
privacidade de dados e propriedade de algoritmos de alimentação de dados.
A regulamentação da IA exigirá, portanto, discussão pública sobre ética,
responsabilidade, transparência e segurança.
Fonte: adaptado de Unesco (2019, p. 27-41).

Segundo CIEB (2019, p. 9) o espectro do uso da IA na Educação compreende:

 Entender o fenômeno para apoiar a tomada de decisão pedagógica;
 Atuar no ambiente para promover os objetivos educacionais;
 Retroalimentar o sistema com vistas a melhorar as duas ações anteriores.
A IAED pode oferecer grandes benefícios à aprendizagem. Pode tornar o
processo mais fácil, rápido, prazeroso e engajante. É possível criar ambientes mais
inclusivos, considerando-se a possibilidade de adaptação do conteúdo para atender
 39

estudantes com dificuldades motora, visual ou auditiva.

Corroborando com os desafios da IA na Educação determinados pela

UNESCO, a nota técnica do CIEB (2019, p. 33) apresenta oito princípios para adoção
da IAED, conforme elencados no quadro 5 a seguir.

Quadro 5 - Princípios para adoção da IAED.

PRINCÍPIOS PARA ADOÇÃO DA IAED SEGUNDO O CIEB
1- Capacitação dos atores Capacitar os atores do ecossistema educacional em
questão (estudantes, professores e gestores).
2- Preparação da Avaliar quais dados podem ou precisam ser
infraestrutura para coleta de utilizados para instalar uma infraestrutura adequada;
dados deve-se instalar redes de internet ou intranet,
computadores, entre outros equipamentos e
softwares.
3- Automatização do básico Realizar a automação de algumas atividades
administrativas que podem beneficiar os atores do
ecossistema.
4- Utilização de inteligência Adotar uma das técnicas da IAED para melhorar as
organizacional informações sobre o ecossistema educacional.
Essas informações podem ser utilizadas por
gestores para entender as necessidades e as
dificuldades dos atores do ecossistema.
5- Valorização da IAED É possível agora utilizar/criar aplicações específicas
de IAED para aumentar as capacidades, de modo
que eles próprios consigam superar os desafios,
encontrando as soluções mais adequadas para cada
situação.
6- Reforma da instituição e É possível redesenhar o ambiente de ensino e
do currículo transformar o currículo escolar. O ecossistema
educacional pode fomentar a aprendizagem híbrida
e flexibilizar o currículo, possibilitando aos
estudantes percorrer diferentes caminhos de
aprendizagem.
 40

7- Promoção da inclusão e Garantir a inclusão e a equidade da aprendizagem,

da equidade independentemente da condição física, mental, de
gênero ou socioeconômica do estudante.
8- Crescimento sustentável Possibilidade de aprender e evoluir de maneira
sistemática. Dessa forma, o ambiente educacional
estará sempre se retroalimentando com informações
relevantes, que ajudam no constante
aperfeiçoamento dos processos pedagógicos e
organizacionais, além de contribuir para o
crescimento de estudantes, professores e gestores.
Fonte: adaptado de Unesco (2019, p. 33).

Segundo a Unesco (2019, p. 10) a IAED poderia oferecer recursos de apoio,

como viabilizar o desenvolvimento de tecnologias educacionais inteligentes que:

a) acompanhem os raciocínios dos estudantes enquanto tentam resolver os

exercícios;
b) ofereçam ajuda individualizada em tempo real e de forma automática; e
apoiem a correção (semi) automática das listas de exercícios e identifiquem
os erros cometidos, para que o professor possa dar assistência de acordo
com as dificuldades individuais. (CIEB, 2019, p. 10).

Muitos países estão buscando tornar as profissões em pesquisa e prática em

IA mais atraentes. A pesquisa e o desenvolvimento de recursos humanos são
componentes essenciais de uma estratégia elaborada na França e estabelecida em
toda a Europa. Algumas dessas estratégias são destacadas pela Unesco como mostra
o quadro 6 a seguir:

Quadro 6 - Estratégias para IA.

ESTRATÉGIAS PARA IA

1 Criação de laboratórios de pesquisa para estudar como a IA transforma o local

de trabalho;

2 Aumento dos incentivos para pesquisadores de IA para atrair talentos nacionais

e internacionais;
 41

3 Desenvolvimento de programas de IA nos níveis de bacharelado, mestrado e

doutorado, bem como em educação e treinamento técnico e vocacional.
Fonte: Unesco (2019, p. 26).

Para preencher a lacuna de habilidades da IA não deve se limitar as reformas

na educação formal. "Escolaridade" deve ser diferenciado de "aprendizagem": embora
a escolaridade ocorra em ambientes de aprendizagem estruturados com horário e
local fixos, a aprendizagem ocorre de maneira contínua, independentemente da hora
e do local. Com a existência de tecnologias móveis tornou-se ainda mais aparente que
o aprendizado pode ocorrer fora dos limites das instituições educacionais tradicionais.

Não há dúvidas que a IA para a educação é um caminho sem volta. Diante das
inúmeras possibilidades de auxílio no processo de ensino e aprendizagem do aluno e
da capacidade de melhorar e incrementar as aulas dos professores, o uso desta
tecnologia só tem a agregar no sistema educacional como um todo. Não só os alunos
poderão ser beneficiados, mas também professores, agentes educadores, enfim, toda
a política educacional poderá usufruir dos benefícios que a IA pode trazer.

3.3.1 Ensino Colaborativo e IA

A IA pode ajudar a promover o aprendizado colaborativo. Um dos aspectos

mais revolucionários da aprendizagem colaborativa suportada por computador é
encontrado em situações em que os alunos não estão fisicamente no mesmo local.
Ele fornece aos alunos escolhas variáveis na medida em desejam quando e onde
estudar (ubiquidade). Com base em técnicas de IA, como aprendizado de máquina e
processamento de texto superficial:

os sistemas de IA são usados para monitorar grupos de discussão

assíncronos, fornecendo aos professores informações sobre as discussões
dos alunos e suporte para orientar o envolvimento e o aprendizado dos
alunos.” (UNESCO, 2019, p. 13).

A IA pode auxiliar a personalizar o aprendizado de várias maneiras e pode

ajudar a criar um ambiente profissional para os professores trabalhar melhor e
desenvolver ações que possam atender, de forma mais efetiva, as dificuldades dos
 42

alunos.

Luckin et al. (2016 p. 26), no artigo Intelligence Unleashed: An argument for AI

in Education, publicado pela Pearson, sugerem que a colaboração de estudantes que
realizam um projeto juntos ou uma comunidade de estudantes que participam de um
curso on-line, pode promover resultados de aprendizagem melhores do que aprender
sozinho.

O aprendizado colaborativo incentiva e favorece os participantes a articular e

refletir sobre outras explicações, resolver diferenças através do diálogo e construir
conhecimentos compartilhados. O aprendizado colaborativo também pode aumentar
a motivação, pois se os alunos se preocupam com o grupo, tornam-se mais envolvidos
com a tarefa e alcançam melhores resultados de aprendizagem. Isso pode não ser
tão simples de acontecer, pois no contexto de colaborações on-line, em que
participantes raramente se encontram pessoalmente, a criação de vínculos e atitudes
de parceria podem ser dificultadas. Daí a importância da IAED em poder contribuir
nesse processo. Várias abordagens foram investigadas, por exemplo, formação
adaptativa de grupos, facilitação de especialistas, agentes virtuais e moderação
inteligente. Essas abordagens são descritas pelos autores, conforme mostra o quadro
7 a seguir:

Quadro 7 - Abordagens de IAED.

Abordagens de IAED para propiciar aprendizado colaborativo
Formação adaptativa Utilização de técnicas e conhecimentos de IA sobre
de grupos participantes individuais para formar um grupo mais
adequado para uma tarefa colaborativa específica. O
objetivo pode ser projetar um agrupamento de
estudantes com um nível cognitivo e interesses
semelhantes ou onde os participantes tragam
conhecimentos e habilidades diferentes, mas
complementares.

Facilitação de Modelos de colaboração são usados para fornecer

suporte interativo aos alunos colaboradores. Esses
especialistas
padrões são fornecidos pelos autores do sistema ou
extraídos de colaborações anteriores e podem ser
usados para treinar sistemas para reconhecer quando os
alunos estão tendo problemas para entender os
conceitos que estão compartilhando uns com os outros,
ou para fornecer suporte direcionado da forma correta no
momento certo e também mostrar aos alunos e
 43

professores quão bem um indivíduo está contribuindo

para o trabalho em grupo.

Agentes virtuais Os agentes de IA podem mediar a interação on-line dos

alunos ou simplesmente contribuir para os diálogos,
inteligentes
atuando como:
• Um participante especialista (treinador ou tutor);
• Um colega virtual (um estudante artificial em um nível
cognitivo semelhante ao aluno, mas que é capaz de
introduzir novas ideias);
• Alguém que os próprios participantes possam ensinar,
por exemplo, o aluno artificial pode ter conceitos
errôneos deliberados ou fornecer pontos de vista
alternativos para estimular argumentos ou reflexões
produtivas.

Moderação inteligente A moderação inteligente pode analisar e resumir as

discussões para permitir que um tutor humano guie os
alunos para uma colaboração proveitosa, por exemplo,
um sistema pode fornecer alertas aos tutores humanos
para informá-los de eventos significativos (como
estudantes saindo do tópico ou repetindo conceitos
errôneos) que podem exigir sua intervenção ou apoio.

Fonte: Luckin et al. (2016, p.26).

A IA pode se tornar um importante aliado na construção de grupos

colaborativos para auxiliar os processos de ensino e aprendizagem. Os softwares
poderão ser alimentados a todo o momento com as informações geradas pelos
alunos, e desta forma, produzir as melhores combinações de alunos para o início de
uma atividade. Os grupos poderão ser formados por semelhanças entre os indivíduos
ou até mesmo, por conhecimentos e comportamentos complementares, fazendo com
que cada membro se torne importante e indispensável para a construção do
conhecimento. Durante a criação, o processo em si da realização da atividade e a
conclusão deve ser acompanhado e mediado por um tutor ou professor, responsável
por verificar o bom andamento, e em acaso de algum problema intervir para a correção
da situação.

3.3.2 Professores e IA

Um dos assuntos mais tratados e mais explorados nos artigos trata do papel
do professor nesta nova realidade em que a IA poderia, eventualmente, substituir seu
 44

trabalho pelo de uma máquina dotada de software inteligente. Hoje, a IA vem sendo
trabalhada e desenvolvida para auxiliar os educadores no processo de ensino e
aprendizagem, seja automatizando tarefas rotineiras ou auxiliando na escolha mais
adequada de apresentar um conteúdo.

No artigo Teaching in the machine age: How innovation can make bad teachers
good and good teachers better, publicado por Thomas Arnett em 2016 pelo
Christensen Institute, expõe em seu subtítulo uma frase enigmática em relação ao
conteúdo do texto: “Como a inovação pode fazer professores ruins bons, e professores
bons ainda melhores”. O estudo mostra que conforme a compreensão científica e a
IA avança, diversas profissões serão afetadas de forma dramática e este avanço
permite que máquinas, num futuro bem próximo, realizem tarefas antes dominadas
exclusivamente pelo homem.

De acordo com o artigo da UNESCO os professores passam muito tempo em

tarefas rotineiras e administrativas, nesse sentido, podemos pensar em um modelo de
professor duplo que envolve um professor e um assistente virtual de ensino, que pode
assumir a tarefa rotineira e liberar o tempo dos professores, permitindo que eles se
concentrem na orientação do aluno e na comunicação individual (UNESCO, 2019, p.
13). Os professores já começaram a trabalhar em conjunto com os assistentes de IA
para obter os melhores resultados para seus alunos.

A tecnologia pode ajudar a mapear os planos e trajetórias individuais de

aprendizagem de cada aluno, seus pontos fortes e fracos, assuntos que
custam mais e são facilmente assimiláveis ou aprendidos, além de
preferências e atividades de aprendizado. (UNESCO, 2019, p.14).

Usando algoritmos para ajudar os alunos a navegar por diferentes caminhos de

conteúdo, a IA pode personalizar o aprendizado e melhorar as oportunidades para os
alunos com a ajuda de seus professores e escolas.

Corroborando com o artigo da UNESCO, Arnett (2016, p. 2) diz que apesar da

desconfiança e do medo que a IA traz, “é improvável que as máquinas venham a
substituir o professor em um futuro breve”. As escolas têm enfrentado muitos desafios
ao longo dos anos, seja com a escassez de professores, a falta de métodos claros de
ensino, o desenvolvimento de professores com qualificação, entre outros muitos
problemas. Arnett (2016, p. 2) complementa que mesmo os melhores professores que
 45

lutam para atender às diversas necessidades de seus alunos, ainda precisam

encontrar tempo para o desenvolvimento da aprendizagem mais profunda; em meio a
todas as pressões para dar conta das instruções fundamentais, podem por intermédio
da IA ter a vida facilitada.
Os computadores podem fornecer muitos aspectos da instrução básica de
conteúdo e habilidades, capacitar professores com informações sobre avaliação,
recomendar recursos de aprendizagem e dar aos professores mais tempo e energia
para trabalhar um a um ou em pequenos grupos com estudantes. Vale considerar que
a profissão de professor não é imune aos efeitos do progresso científico e tecnológico.

Os alunos de hoje julgam que é muito mais rápido e mais conveniente lançar
suas perguntas no Google do que reservar um tempo para dialogar com um professor.
Os recursos disponíveis on-line incluem não apenas uma lista de hiperlinks para sites
baseados em textos, mas também vídeos, simulações interativas e jogos que rivalizam
com a capacidade dos professores de tornar o aprendizado envolvente, divertido e
memorável.

Bons professores fazem muito mais do que apenas distribuir informações e

avaliar o conhecimento dos alunos sobre fatos e habilidades comuns: eles
treinam e orientam os alunos, identificam e abordam fatores sociais e
emocionais que afetam o aprendizado dos alunos e fornecem aos alunos
feedback especializado sobre habilidades humanas complicadas, como
pensamento crítico, resolução criativa de problemas, comunicação e
gerenciamento de projetos. (ARNETT, 2016, p. 3).

Inovações podem simplificar e automatizar aspectos da experiência do

professor e podem melhorar o desempenho dos alunos de duas maneiras distintas.
Primeiro, eles capacitam professores não especialistas - geralmente professores
iniciantes que não possuem habilidades de ensino especializadas (com as
ferramentas tecnológicas certas, melhoram seu desempenho). Segundo, eles
permitem que professores especializados aprimorarem suas habilidades de ensino
por meio de formação contínua, de práticas e experiências possibilitando que
identifiquem e atendam às necessidades individuais de aprendizagem dos alunos com
mais eficiência e eficácia.

Algumas das mais recentes tecnologias educacionais estão começando a ir

além de ajudar os alunos a aprender fatos e habilidades básicas. Por exemplo, o
software pago WriteToLearn da Pearson usa a tecnologia de processamento de
 46

linguagem natural para fornecer aos alunos feedback e dicas personalizadas para
melhorar suas habilidades de escrita. A tecnologia de classificação de ensaios não
pode substituir a capacidade de um professor de fornecer feedback e treinamento
sobre palavras e frases específicas; o software apenas classifica os ensaios dos
alunos em áreas gerais - como organização, desenvolvimento de ideias e estilo - e,
em seguida, fornece sugestões genéricas para melhoria nessas áreas. Mas quando
os professores usam o software como primeira passagem na classificação e, em
seguida, interceptam seu feedback detalhado para abordar as áreas de melhoria
identificadas pelo software, a classificação do ensaio se torna um processo muito
menos demorado e trabalhoso. O resultado líquido é que os professores podem
dedicar menos tempo à nota e dar mais tempo para ensinar, além de oferecer aos
alunos mais oportunidades de receber feedback personalizado sobre a redação.

O quadro 8 apresenta os três tipos de tarefas de ensino que a tecnologia pode

ajudar a automatizar:

Quadro 8 - Tarefas que a tecnologia pode ajudar.

TAREFAS QUE A TECNOLOGIA PODE AJUDAR

TAREFAS SOLUÇÃO

Avaliação Software e dispositivos podem agilizar os processos de

administração e classificação de avaliações básicas,
permitindo assim que os professores verifiquem os
níveis de compreensão dos alunos de forma mais
rápida e frequente. Além disso, o software pode
agregar e resumir dados de avaliação de maneiras que
ajudem os professores a identificar rapidamente
insights acionáveis sobre quais alunos precisam de
ajuda com determinados tópicos ou conceitos.

Planejamento instrutivo Muitos professores passam incontáveis horas

projetando planos de aula e materiais que são feitos
para atender às necessidades de aprendizagem dos
alunos. Para agilizar esse processo, plataformas que
vão desde Google, YouTube e Pinterest ajudam os
 47

professores a vasculhar rapidamente grandes bancos

de dados de recursos de aprendizagem para encontrar
planos de aula, atividades e materiais prontos
alinhados às necessidades e pontos fortes dos alunos.

Instrução básica Os alunos podem aprender alguns aspectos da

instrução básica de conteúdo através de software de
aprendizagem adaptativa e playlists de aprendizagem
personalizadas. Os professores também podem usar
essas tecnologias para alinhar a instrução direcionada
aos níveis individuais de compreensão dos alunos, a
fim de diferenciar as instruções de forma mais eficaz e
eficiente.
Fonte: adaptado de Arnett (2016, p. 8).

Quanto mais tarefas os professores puderem terceirizar para a tecnologia, mais

disponibilidade e foco eles terão para concentrar seu tempo e atenção nas
necessidades individuais de aprendizagem de seus alunos.

Luckin et al. (2016, p. 30) enfatizam que “os professores precisam ser agentes
centrais na próxima fase da IAED e estas ferramentas os capacitarão a decidir qual a
melhor forma de reunir os vários recursos à sua disposição”. Mais do que isso, os
professores juntamente com os alunos e os pais serão fundamentais para o design
destas ferramentas e as maneiras pelas quais elas poderão ser usadas. Livre das
tarefas rotineiras e que demandam tempo, os professores dedicarão mais suas
energias aos atos criativos e humanos que proporcionam a engenhosidade e a
empatia necessárias para elevar o aprendizado. À medida que essa transformação
ocorre, os professores precisarão desenvolver novas habilidades conforme demostra
o quadro 9:
 48

Quadro 9 - Novas habilidades requeridas com o avanço da IAED.

NOVAS HABILIDADES DO PROFESSOR
- Entendimento sofisticado do que os sistemas da IAED podem fazer para permitir
que eles avaliem e façam julgamentos sólidos sobre novos produtos (softwares).
- Habilidades de pesquisa que permitam interpretar os dados fornecidos pelas
tecnologias para fazer as perguntas mais úteis e orientar os alunos sobre o que a
análise de dados está dizendo a eles.
- Novas habilidades de equipe e gerenciamento, pois cada professor terá
assistentes de IA, além dos assistentes de ensino humanos, e eles serão
responsáveis por combinar e gerenciar esses recursos com mais eficiência.
Fonte: adaptado de Luckin et al. (2016, p. 8).

O quadro 10, apresentado pela UNESCO, foi criado para contribuir na visão da
formação de professores para enfrentar o desafio do ensino em uma sociedade de
informação e conhecimento e tem como objetivo ser referência na formação para a
melhoria da qualidade educacional nas instituições de ensino em qualquer nível de
formação em uma abordagem dos níveis de apropriação de TDIC e seus usos
educacionais.

Quadro 10 - Áreas e competências em alfabetização digital.

ÁREA DE COMPETÊNCIA
Fundamentos de hardware e software
1. Conhecimento básico de hardware, como ligar/desligar, carregar e bloquear
dispositivos.
2. Conhecimento básico de software como gerenciamento de conta e senha de
usuário, login e como fazer configurações de privacidade etc.
Conhecimento da informação e dados
1. Navegar, pesquisar e filtrar dados, informações e conteúdo digital.
2. Avaliação de dados, informações e conteúdo digital.
3. Gerenciamento de dados, informações e conteúdo digital.
Comunicação e colaboração
1. Interagir através de tecnologias digitais.
2. Compartilhamento por meio de tecnologias digitais.
3. Engajamento na cidadania através de tecnologias digitais.
4. Colaborar através de tecnologias digitais.
5. “Netiqueta”.
6. Gerenciar a identidade digital.
 49

Criação de conteúdo digital

1 Desenvolver conteúdo digital.
2 Integrar e reelaborar conteúdo digital.
3 Direitos autorais e licenças.
4 Programação.
Segurança
1. Proteção de dispositivos.
2. Proteger dados pessoais e privacidade.
3. Proteger a saúde e o bem-estar.
4 Proteger o meio ambiente.
Resolução de problemas
1. Resolução de problemas técnicos.
2. Identificação de necessidades e respostas tecnológicas.
3. Usar criativamente as tecnologias digitais.
4. Identificar lacunas de competência digital.
5. Pensamento computacional.
Competências relacionadas à carreira
1. Conhecimentos e habilidades para operar hardware/software especializado para
um campo específico (software de design de engenharia e ferramentas de
hardware) ou o uso de sistemas de gerenciamento de aprendizagem para oferecer
cursos totalmente on-line ou combinados.
Fonte: adaptado de Unesco (2019, p. 19).

O Quadro de Competências para Professores em Tecnologias da Informação

e Comunicação (ICT-CFT) foi desenvolvido pela UNESCO em consulta com os
principais atores privados, como ISTE, Cisco, Intel e Microsoft, e é atualizado
regularmente desde então. A estrutura enfatiza o papel que as tecnologias digitais têm
no apoio a seis áreas-chave do conhecimento, como mostra o quadro 11 a seguir:

Quadro 11 - Competência para professores.

COMPETÊNCIA PARA PROFESSORES EM TDIC

1 Compreender as TDIC na educação.

2 Currículo e Avaliação.

3 Pedagogia.

4 TDIC.

5 Organização e administração.
 50

6 Aprendizagem Profissional de Professores.

Fonte: Unesco (2019, p. 19).

Este quadro mostra que não basta que os professores tenham habilidades para
gerenciar tecnologias digitais para ensinar os seus alunos, mas é também necessário
que eles orientem seus alunos a serem capazes de colaborar, resolver problemas e
serem criativos no uso de tecnologias digitais. “Em um mundo tecnológico crescente,
essas habilidades passam a fazer parte de seu treinamento de cidadania para
participar da sociedade digital onde viverão.” (UNESCO, 2019, p. 19).

De acordo com Luckin et al. (2016, p. 43) a experiência do professor é essencial

para a conquista do aluno, mas o desenvolvimento contínuo e de alta qualidade do
professor tem custos significativos, tanto em termos de tempo quanto de dinheiro. Da
mesma maneira que os sistemas podem oferecer aulas particulares ou em grupo para
os alunos, eles podem fazer o mesmo continuamente para professores.

Esse treinamento pode ser projetado para atender às necessidades

específicas do professor, ser concluído onde e quando quiser, e pode ser
usado para acessar uma comunidade de profissionais com ideias
semelhantes que podem dar conselhos e orientações. IAED também poderia
ajudar os professores a encontrar e compartilhar os melhores recursos de
ensino. O suporte inteligente para professores também pode ajudar a resolver
a questão da retenção de professores, onde vemos muitos profissionais
qualificados deixando a profissão devido ao desgaste profissional. É uma
possibilidade realista poder fornecer suporte para reduzir o estresse e a carga
de trabalho dos professores. Dentro da sala de aula, o professor poderia dar
ao assistente a tarefa de oferecer aulas particulares a um grupo de crianças
que estão lutando para entender frações. O assistente manteria um modelo
de aluno para cada aluno e o usaria para identificar materiais de ensino
adequados. Isso liberaria o professor para voltar a atenção para um aluno
individual ou trabalhar com um grupo em um tópico diferente. (LUCKIN et al.,
2016, p. 43).

Segundo CIEB (2019, p. 24) dois grandes desafios se colocam ao professor:

saber e acompanhar as dificuldades de cada estudante; e apoiar cada estudante de
forma individualizada e personalizada (inclusive aquele que precisa de auxílio
especializado, por ter uma necessidade especial).
A IAED pode apoiar o professor na criação de planos de estudo personalizados
ou na adaptação de material para lidar com cada dificuldade em particular. Pode
também contribuir para o seu aprimoramento contínuo e oferecer novas possibilidades
de ensino aos seus alunos. É certo que as atividades rotineiras e dispendiosas
 51

poderão ser substituídas pelos softwares inteligentes deixando o desenvolvimento de

trabalho que requer mais domínio da sensibilidade humana para o professor.

3.3.3 Sistema de Tutores Inteligentes (STI)

Conhecido como Sistemas de Tutores Inteligentes (STI), essa área é o caso de

maior sucesso da IA na educação na atualidade tendo o propósito de estudar e
desenvolver sistemas de computador que interagem tanto com estudantes quanto
com professores.
Os STI colaboram no processo de aprendizagem dos alunos, seja para auxiliar
nas dúvidas, corrigir atividades e acompanhar o desenvolvimento dos estudos de
forma individualizada.
A nota técnica do CIEB (2019, p. 15) diz que para os estudantes, esses
sistemas adaptam e personalizam a aprendizagem.

Isso significa que, dependendo dos conhecimentos, habilidades e

características pessoais do estudante, o sistema apresenta conteúdos
diferenciados, utiliza estratégias pedagógicas que tragam mais benefícios,
considerando as particularidades do indivíduo e oferecendo os gatilhos
motivacionais adequados para que ele consiga construir seu próprio
conhecimento. Assim, é possível modelar, acompanhar e estimar o
desenvolvimento do estudante durante todo o processo de aprendizagem, o
que possibilita uma atuação eficaz na raiz dos problemas encontrados pelos
estudantes. (CIEB, 2019, p. 15).

A qualidade da tutoria humana individual tem sido considerada a abordagem

bastante relevante para o ensino e a aprendizagem, mas, infelizmente, ela é
insustentável para todos os alunos, pois considerando a escalabilidade do ensino on-
line, dificilmente haverá tutores humanos suficientes e também não seria acessível.
De acordo com Luckin et al. (2016, p. 24) é aqui que entram os Sistemas de
tutores inteligentes (STI) que usam técnicas de IA para simular tutoria humana
individual, oferecendo atividades de aprendizado que melhor correspondem às
necessidades cognitivas de um aluno e fornecendo feedback direcionado e oportuno,
tudo sem que um professor individual precise estar presente. Muitos STI usam
técnicas de aprendizado de máquina e algoritmos de autotreinamento baseados em
grandes conjuntos de dados e redes neurais para permitir que eles tomem decisões
apropriadas sobre o conteúdo de aprendizado a fornecer ao aluno.

Tomemos o exemplo de um sistema de IA projetado para fornecer feedback

 52

individualizado apropriado a um aluno. Conseguir isso requer que o sistema IA para

educação saiba algo sobre:

• Abordagens eficazes para o ensino (representado em um modelo

pedagógico);
• A matéria que está sendo aprendida (representada no modelo de domínio);
• O aluno (representado no modelo do aluno).
Para os autores Luckin et al. (2016, p. 18) esse sistema baseia-se nos três
modelos principais: o modelo do aluno (conhecimento do aluno individual), o modelo
de pedagogia (conhecimento do ensino) e o modelo de domínio (conhecimento do
assunto que está sendo aprendido e as relações entre as diferentes partes).
Enquanto esse conteúdo está sendo entregue ao aluno - em forma de texto,
som, atividade, vídeo ou animação - a análise contínua das interações do aluno pode
fornecer feedback (por exemplo, dicas e orientações), para ajudá-los a progredir no
conteúdo que estão aprendendo.

Alguns sistemas incluem os chamados modelos abertos de aprendizagem,

que apresentam os resultados da análise aos alunos e professores. Esses
resultados podem incluir informações valiosas sobre as realizações do aluno,
seu estado afetivo ou quaisquer conceitos errôneos que eles tenham. Isso
pode ajudar os professores a entender a abordagem de aprendizado de seus
alunos e permite que eles moldem as futuras experiências de aprendizado de
forma adequada. (LUCKIN et al., 2016, p. 20).

Uma das vantagens dos sistemas adaptáveis de IAED é que eles geralmente
coletam grandes quantidades de dados, que em um círculo virtuoso, podem ser
computados para melhorar dinamicamente os modelos de pedagogia e domínio. Esse
processo ajuda a informar novas maneiras de fornecer suporte mais eficiente,
personalizado e contextualizado, além de testar e refinar nossa compreensão dos
processos de ensino e aprendizagem. Além dos modelos de aprendiz, pedagógico e
de domínio, os pesquisadores da IAED também desenvolveram modelos que
representam os aspectos sociais, emocionais e metacognitivos da aprendizagem. Isso
significa que os sistemas podem acomodar toda a gama de fatores que influenciam o
aprendizado do aluno.

Atualmente, em 2020 e 2021, existem muitos aplicativos que estão em uso em

escolas e universidades, as quais incorporam IAED e técnicas de mineração de dados
educacionais (EDM) para “rastrear” os comportamentos dos alunos - coletando dados
sobre a frequência das aulas e o envio de tarefas, a fim de identificar e fornecer
 53

suporte aos estudantes em risco de abandonar seus estudos. Outros pesquisadores

da IA estão explorando novas interfaces de usuário, como processamento de
linguagem natural, reconhecimento de fala e gesto, rastreamento ocular e outros
sensores fisiológicos, que podem ser usados para aumentar a eficácia dos softwares
e, assim, ajudar o aluno em suas atividades.
Os STI estão presentes cada vez mais nos dias atuais desempenhando um
papel de auxílio no processo de ensino e aprendizagem de muitos alunos que têm
acesso a uma política de educação moderna e atualizada (geralmente escolas
privadas). Estes softwares podem, na falta de professores humanos ou de professores
humanos preparados para o ensino on-line, complementar o ensino de forma eficaz
possibilitando uma maior abrangência no contexto de um país tão grande como é o
Brasil.
Outra grande vantagem é que um STI não dorme, não tira férias e poderá ser
acessado de qualquer dispositivo que contenha internet a disposição. Não só os
alunos tiram proveito desta tecnologia como os professores que podem utilizar deste
recurso para gerar informações sobre seus alunos e assim intervir em caso de
necessidade. Além disso, podem automatizar tarefas administrativas rotineiras e
usufruir de programas de formação continuada baseado em tecnologia de IA, ou seja,
poderá ter sua aula ou material avaliado entre milhares de conteúdos disponíveis em
um banco de dados.

3.3.4 Sistemas Educacionais baseados em IA

A educação desempenha um papel essencial nos esforços para tornar as

futuras forças de trabalho prontas para IA. Fazer a ponte entre as habilidades de IA
vai além da adoção de tecnologias cada vez mais poderosas para facilitar o
aprendizado, significa também repensar o conteúdo e os métodos usados para
fornecer instruções em todos os níveis de ensino.

A utilização cada vez maior da IA na educação tem despertado também o

interesse em um universo maior em que apenas os alunos e professores são
atendidos. Estudam-se e desenvolvem-se sistemas educacionais completos
baseados em IA, e com a ajuda do big data, conjunto imenso de dados coletados
constantemente pelo sistema, podem gerar informações em níveis bem maiores que
aqueles gerados por aluno, ou grupos de alunos, uma turma ou até mesmo uma
 54

escola. As informações podem relatar em tempo real a situação educacional de uma

região da cidade; de uma cidade inteira; de uma região do estado; do estado todo;
chegando ao nível nacional. Os relatórios gerados pelo IAED podem mesclar uma
série de dados e mostrar para os administradores locais, estaduais e nacionais quais
as melhores e piores práticas adotadas nas escolas e direcionar para que novas
estratégias sejam aplicadas de modo a atender o processo de aprendizagem do aluno.

Segundo Unesco (2019, p. 18), um Sistema de Informação de Gerenciamento

Educacional (EMIS) refere-se a um grupo organizado de serviços de informação que
coleta, armazena, processa, analisa e divulga informações para planejamento e
gerenciamento educacional. É utilizado por líderes em educação, tomadores de
decisões e gerentes nos níveis regional, local e escolar e para a geração de
estatísticas.

A Tomada de Decisão Conduzida por Dados (do inglês, DDDM – Data Driven
Decision Making) aplicada aos dados de testes de desempenho dos alunos é um foco
central de muitos esforços de reforma de escolas e distritos, em parte devido às
políticas federais e estaduais de responsabilização por testes (UNESCO, 2019, p.18).
Com dados coletados, a IA é capaz de tomar decisões para melhorar a educação
escolar. Um EMIS bem projetado e funcional permite que os membros de todos os
níveis da comunidade educacional acessem informações úteis para gerenciar e
administrar um sistema educacional com mais eficiência, desenvolver planos viáveis
e econômicos, formular políticas responsivas e monitorar e avaliar os resultados
educacionais.

Em países onde os dados são completos, confiáveis, coletados regularmente

e podem ser agregados e desagregados, o EMIS aprimorado pela IA teria
uma capacidade muito mais forte de analisar automaticamente os dados e
gerar painéis de dados nos níveis escolar e nacional. (UNESCO, 2019, p. 18).

Para o CIEB (2019, p. 25) o gestor educacional, seja um diretor de escola ou

um secretário de Educação, se beneficia muito com a adoção da IAED de maneira
sistemática. As diversas aplicações permitem automatizar a distribuição de carga
didática aos professores e o rastreio de cronogramas, metas e pontos críticos no
ecossistema educacional.

Com técnicas de IA, também é possível identificar pessoas e escolas ideais

para delegar atividades e coordenar processos. Otimizar os recursos, minimizando os
 55

custos e maximizando os ganhos educacionais, torna-se uma tarefa mais simples e

corriqueira. Assim, muito do trabalho organizacional do gestor seria substituído por
atividades de tomadas de decisões referentes a problemas complexos, que exigem
análise de diversas variáveis, com o respaldo da IAED para encontrar as melhores
soluções. O grande desafio do gestor é implantar de forma efetiva a IAED em todo o
ecossistema, uma vez que ações pontuais podem não produzir o efeito desejado. Por
fim, é importante destacar que os dados coletados sobre as ações dos atores no
ecossistema educacional geram grandes quantidades de informações que podem
retroalimentar as aplicações baseadas em IAED.

Segundo relatório do CIEB (2019, p. 27), o envolvimento humano é

fundamental não só na tomada de decisão, mas também para entender o
comportamento de máquinas inteligentes, pois:

a) vários tipos de algoritmos atuam em nossa sociedade e têm papel

importante em nossas atividades diárias;
b) devido às propriedades complexas desses algoritmos e dos ambientes em
que atuam, fica difícil ou impossível uma modelagem analítica; e
c) devido à ubiquidade e à complexidade dos algoritmos inteligentes,
conseguir predizer os seus efeitos para a humanidade se torna um desafio
premente. (CIEB, 2019, p. 27).

Luckin et al. (2016, p. 4) à medida que os humanos vivem e trabalham ao lado

de máquinas cada vez mais inteligentes, nossos sistemas educacionais precisarão
atingir níveis que ninguém conseguiu até o momento. Precisamos fazer tudo isso sem
um aumento significativo no investimento atual que fazemos na aprendizagem. Neste
momento em 2020, a IAED é uma espécie de indústria caseira - a pesquisa e o
desenvolvimento ocorrem em pequenos bolsos e em pequena escala, principalmente
por pesquisadores com financiamento limitado e sem parcerias comerciais. O
resultado é que muitos dos aplicativos desenvolvidos nunca vão além do estágio do
protótipo, momento em que muito do que foi aprendido é perdido. A solução não é
canalizar dinheiro para o desenvolvimento de um único sistema IAED monolítico que
atenda a todos os assuntos e a todos os cenários de aprendizado possíveis. Entender
isso significa criar estruturas, incentivos e financiamento que permitirão a criação de
um ecossistema de inovação e colaboração em torno da IAED.

Sistemas educacionais baseados em IA podem ajudar a melhorar todo o

 56

sistema de educação podendo aplicar de forma direcionada as possíveis melhorias

no processo, ou seja, cada cidade, estado ou região, poderá ter soluções diferentes
para o mesmo problema. Caberá à IAED definir e mostrar quais as situações
encontradas e mostrar as possíveis intervenções.

3.3.5 Preocupações e ética na utilização de IA na educação

Segundo a normativa CIEB (2019, p. 28), os aspectos que devem ser

considerados no estudo do comportamento de máquina são:

● Como uma máquina inteligente funciona? (está relacionada a como as

máquinas adquirem determinados comportamentos e como determinado
comportamento é construído);

● Como a máquina inteligente evolui o seu comportamento? (As forças do

mercado podem ser decisivas para descrever se uma máquina vai evoluir pela
programação e interferência humana ou via aprendizagem automatizada). Com isso,
podemos descrever os tipos de interações e escalas do comportamento de máquina
e os níveis de interações na sociedade. Há três tipos de interações possíveis conforme
explicitado no quadro 12 a seguir:

Quadro 12 - Escalas de comportamento e os níveis de interação.

ESCALAS DE COMPORTAMENTO E OS NÍVEIS DE INTERAÇÃO
Está relacionada à compreensão sobre quais
implicações o comportamento de uma máquina
inteligente específica pode causar. Em contexto
Comportamento de Máquina educacional, podemos citar os ambientes
Individual educacionais adaptativos clássicos, que tentam se
adaptar de acordo com as necessidades dos
estudantes e a disponibilidade de recursos
educacionais.
A preocupação e as implicações dizem respeito a
Comportamento de Máquina como máquinas inteligentes interagem e se
Coletivo comportam coletivamente. Como exemplo,
podemos citar sistemas independentes que fazem
 57

uso de visão computacional e reconhecimento de

voz para entender características afetivas dos
estudantes e professores. E ainda ao interagir com
plataformas adaptativas (que inferem a
aprendizagem do estudante) para decidir não
somente sobre adaptar conteúdo, mas também
determinar onde e quando alguém deve estudar, se
deveria fornecer informações e alertas sobre os
estudantes e professores a pais e gestores, e até
mesmo qual professor deveria ministrar
determinada aula.

Comportamento Híbrido É considerado o mais complexo e, ao mesmo

Humano-Máquina tempo, o mais importante tipo de interação a ser
considerada, principalmente na reflexão sobre as
implicações éticas. Esse modelo híbrido não exclui
os anteriores e, em contexto educacional, é mais
esperado que haja um comportamento híbrido entre
humano e máquina, onde:
a) máquinas moldam o comportamento humano;
b) humanos moldam o comportamento de máquina;
ou
c) humanos e máquinas coatuam (do inglês, co-
behavior).
Fonte: adaptado de CIEB (2019, p. 28).

Diante das várias implicações do uso das máquinas na sociedade, podendo

gerar mudanças tanto incrementais quanto disruptivas nas formas de interação,
muitas iniciativas começaram a surgir nos últimos dois anos e também algumas
questões, como consta no quadro 13:
 58

Quadro 13 - Questões sobre IA.

QUESTÕES SOBRE IA NA EDUCAÇÃO
Quais devem ser os critérios para definir se uma tecnologia baseada em IAED é
eticamente aceitável?
Como a natureza volátil das características, interesses e emoções dos estudantes
impactam o entendimento do que é ética em uma tecnologia ou pesquisa em IAED?
Quais são as obrigações éticas de instituições públicas e privadas (provedores de
tecnologia) referentes à IAED?
Como escolas, professores e estudantes podem dialogar com desenvolvedores e
tomadores de decisão para que suas necessidades e crenças sejam levadas em
consideração ao aplicar tecnologias que utilizam IAED no ambiente escolar?
Quais são as implicações éticas ao se adotar uma determinada técnica de IAED
para criar tecnologias de aprendizagem que apoiam a adaptação e a
personalização?
Quais são as implicações éticas no uso de tecnologias baseada em IAED que
determinam automaticamente as habilidades que devem ser trabalhadas nos
estudantes?
Quais são as implicações e questionamentos éticos que devem ser considerados,
dado que muitas das decisões tomadas por algoritmos de IA não podem ser
facilmente explicadas?
Fonte: adaptado de CIEB (2019, p. 31).

Como as preocupações estão impactando a educação e, especialmente, a

educação digital diante de todas essas aplicabilidades de IA? A Unesco (2019, p. 39)
ratifica suas dúvidas em relação à questão:

● Acesso aos sistemas educacionais - cada vez mais instituições

educacionais estão usando aprendizado de máquina para aceitar ou rejeitar
alunos. Dois potenciais problemas com esta abordagem incluem:

- Falta de explicação: algumas técnicas de Deep learning não podem explicar

facilmente por que certos alunos são aceitos e outros são rejeitados.
- Discriminação injusta. quando algoritmos são treinados em um determinado
conjunto de dados, então o resultado pode não ser diretamente aplicável a
alunos de outras partes do mundo.

● Acesso aos sistemas educacionais: os autores alertam para o fato de que

algumas instituições educacionais estão usando aprendizado de máquina
 59

para aceitar ou rejeitar alunos. Isto implica em considerar dois aspectos:

Falta de explicação e Discriminação injusta. Entendendo que a falta de
explicação, refere-se algumas técnicas de Deep learning as quais não
explicitam com facilidade o motivo de certos alunos serem aceitos e outros
não. Quanto a discriminação injusta, diz respeito ao algoritmo definido a partir
de um conjunto de dados específicos que gera um resultado que pode não
se aplicável em outros contextos.

● Recomendações para alunos individuais: se as recomendações forem

aprendidas por máquina com base em um grande conjunto de dados
anteriores, a recomendação resultante pode não ser adequada para alunos
de um grupo-alvo diferente.

● Concentração de dados pessoais: plataformas educacionais serão

propriedade de poucos jogadores importantes no mundo, duas preocupações
surgem:

- A concentração de informações (alunos e professores), o que pode criar um

risco de privacidade. Dados pessoais são alvos atraentes para criminosos
cibernéticos.

- Plataformas dominantes podem forjar monopólios de dados conquistando o

mercado na capacidade de desenvolver os melhores algoritmos.

● Responsabilidade: o que acontece se as decisões automatizadas que

orientam os alunos em seu processo de aprendizagem acabam sendo
erradas? Quem é responsável? O proprietário da plataforma? O professor
designado? O algoritmo?

● Impacto no trabalho: se os sistemas de IA automatizarem cada vez mais

tarefas que normalmente são realizadas por professores, o que acontece com
seus empregos? Os sistemas de IA podem avaliar o nível inicial, orientar o
aluno através do curso baseado na inteligência coletiva (combinada com a
individual) e até automatizar a interação aluno-professor usando chatbots e
técnicas de PNL. (UNESCO, 2019, p. 39).

A ética da IA precisa de atenção especial em se tratando de:

 Responsabilidade;
 Transparência;
 Auditabilidade;
 Incorruptibilidade, e
 Previsibilidade.

Luckin et al. (2016, p. 39) corroboram com as afirmações anteriores, dizendo

que todos os critérios devem ser considerados em um algoritmo destinado a substituir
o julgamento humano das funções sociais. Nesse sentido, a reflexão que emerge
refere-se a alguns questionamentos, tais como: O que pode acontecer se a IA
apresentar erros”? Quem é responsável? O usuário final ou o programador? Será
possível entender como se chegou a decisão para que possa ser corrigida e evitar
 60

problemas futuros? Isso pode ser difícil se a IA usar redes neurais. E as IAs estão
abertas à manipulação? Estamos cientes das consequências do hacking de
computador. O que poderia acontecer se uma IA fosse desenvolvida ou modificada
para fins criminosos? Sabemos que o compartilhamento de dados é essencial para a
integração dos sistemas e que tem o potencial de avançar o campo com dificuldade,
reduzindo os esforços duplicados e desnecessários.

Por fim, temos uma nova responsabilidade de garantir que a sociedade como
um todo tenha alfabetização suficiente na IAED - isto é, o suficiente para garantir que
utilizemos essas novas tecnologias de maneira apropriada, eficaz e ética.

O fato de a tecnologia evoluir na direção da IA, implica em novas dimensões

de aprendizagens, assim como o desenvolvimento de competências, habilidades e
valores. O envolvimento de pesquisadores e profissionais das diferentes áreas é
fundamental para que a IA possa ir além de automatizar tarefas mecânicas, e
repetitivas, e propiciar aos alunos e professores a desenvolverem novas formas de
pensar, criar e buscar soluções para problemas cada vez mais complexos presentes
na sociedade deste século.

3.3.6 Avaliação e IA

Em vez de avaliações tradicionais que dependem da avaliação de pequenas

amostras do que um aluno aprendeu, as avaliações orientadas pela IAED serão
incorporadas a atividades de aprendizagem significativas, por meio de um jogo ou um
projeto colaborativo, podendo avaliar o aprendizado que acontece e como acontece.

No futuro, a IAED poderá continuar se pautando de novas ideias oriundas de

áreas como a psicologia e neurociência educacional para entender melhor o processo
de aprendizagem e, assim, criar modelos mais precisos que sejam mais capazes de
prever e influenciar o progresso, a motivação e a perseverança de um aluno.

Luckin et al. (2016, p. 37) descreve o trabalho de Paul Howard Jones, professor
de neurociência e educação da Universidade de Bristol, sugere que a aprendizagem
pode ser aprimorada quando ligada a recompensas incertas, ou seja, situações nas
quais um aluno sabe que uma recompensa pode ser dada após a conclusão de uma
tarefa, mas não há certeza de que a recompensa aparecerá em todas as ocasiões.
 61

O uso de recompensas incertas é muito comum no mundo dos jogos, daí o

interesse atual no design de jogos educacionais que usam o impacto motivacional de
recompensas incertas para envolver os alunos e aprimorar seu aprendizado. A adição
de técnicas de IAED ao design desses jogos educacionais permitiria, por exemplo,
que o fornecimento de recompensa incerta fosse calibrado de acordo com a reação
individual de um aluno a um determinado nível de incerteza.

A IAED através dos dados coletados das experiências digitais do aluno, como
uma prova digital on-line, fornecerão novas ideias que não podem ser determinadas
pelas avaliações existentes e que vai além de identificar se um aluno deu ou não a
resposta correta. Um conjunto de dados pode ser analisado para ajudar os
professores a entender como o aluno chegou à sua resposta e também pode ajudar a
entender melhor os processos cognitivos e o impacto que eles têm sobre a
aprendizagem. A análise também pode identificar quando um aluno está confuso,
entediado ou frustrado para ajudar os professores a entender e aprimorar a prontidão
emocional do estudante para aprender.

Dessa forma, as avaliações poderão ser mais bem aproveitadas com a

utilização da IA em tempo integral, ou seja, avaliando o aluno a todo o momento que
ele acessa o sistema, realiza leitura e atividades e que também poderá recompensá-
lo cada vez que ele for bem em uma determinada tarefa. O sistema será capaz ainda
de mensurar quando o aluno tem dificuldades de realização de uma atividade e assim
oferecer a ele, ou ao professor, sugestões para melhorar a sua capacidade de realizar
esta atividade.

3.3.7 Tecnologias de Ensino e Aprendizagem baseados em IA

Novas tecnologias têm surgido para complementar e ajudar as máquinas

inteligentes no processo de ensino e aprendizagem, oferendo novas possibilidades
para que alunos e professores possam desempenhar melhor suas funções. Algumas
delas são: a realidade virtual para a aprendizagem, que de acordo com Luckin et al.
(2016, p. 28), pode fornecer experiências imersivas autênticas que simulam alguns
aspectos do mundo real aos quais o usuário não teria acesso e mostrar oportunidades
para explorar, interagir e manipular aspectos de um mundo simulado investigando
cenários e permitindo que eles transfiram o que eles aprenderam para o mundo real.
 62

A realidade virtual torna-se "inteligente" quando é aumentada com a IA e pode ser

usada simplesmente para aprimorar o mundo virtual, permitindo interagir e responder
às ações do usuário de maneiras que parecem mais naturais. Também podem ser
incluídos agentes pedagógicos virtuais, atuando como professores, facilitadores de
aprendizagem ou colegas de alunos em missões de aprendizado colaborativo.

Com o crescente volume de dados e a demanda para extrair informações sobre

esses dados, que na maioria das vezes são armazenados sem um objetivo certo,
surge a necessidade de tecnologia mais ampla. Dentre as subáreas da IA temos o Big
Data, que de acordo com Lima (2011) se “refere ao conjunto de dados cujo tamanho
está além da habilidade de ferramentas típicas de banco para capturar, analisar e
gerenciar”. O big data e a mineração de dados terão suas análises complementadas
por técnicas de IA a fim de fornecer informações pontuais sobre sucessos, fracassos,
desafios e necessidades dos alunos, que podem ser usadas para moldar a própria
experiência de aprendizado e permitirá que haja identificação de mudanças na
confiança e na motivação do aluno enquanto aprende (LUCKIN et al., 2016, p. 34).
Essas informações podem ser usadas para fornecimento de intervenções oportunas
para ajudar os alunos por meio de suporte assistido por tecnologia, atenção individual
de um professor ou a combinação dos dois.

Veremos também surgir as novas gerações de STI na qual não haverá barreiras
técnicas ao desenvolvimento de companheiros de aprendizado que possam
acompanhar e apoiar os alunos individualmente durante seus estudos – dentro e fora
da escola. Esses companheiros de aprendizado, ao longo da vida, podem se basear
na nuvem, e são acessíveis por meio de uma multiplicidade de dispositivos que podem
ser operados offline, conforme necessário. O companheiro poderia concentrar-se em
ajudar os estudantes a tornarem-se melhores no aprendizado, desenvolvendo uma
mentalidade de crescimento ou uma variedade de habilidades. Além disso, poderia
ajudar o aluno a acessar os recursos de aprendizado ideais para suas necessidades,
adequando para aqueles com dificuldades, bem como para os que possuem alto
desempenho.

Em 2018 Rosa Maria Vicari publicou junto à Confederação Nacional da

Indústria (CNI) um sumário executivo, cujo objetivo era identificar as tendências
mundiais em tecnologias baseadas em Inteligência Artificial para a Educação no
período de 2017 a 2030. A reformulação da sala de aula com o aporte das novas
 63

tecnologias pode ser um importante passo para a formação de pessoas mais

alinhadas com as exigências do século XXI, sendo um motor essencial para a
competitividade da indústria brasileira. Destarte, apresentamos um panorama da IAED
em três períodos a ser verificado (atual, curto e médio prazo).

No quadro 14, podemos ver como era a IA na educação em 2017, quando o

estudo foi publicado inicialmente.

Quadro 14 - IAED na educação em 2017.

ESTÁGIO: 2017

Aprendizagem colaborativa para plataformas LMSs (Learning Management

Systems).

Sistemas Tutores Inteligentes (STIs) que oferecem ensino personalizado.

Jogos Sérios (Serious Games), que incorporam IA, independentes ou vinculados

aos Sistemas Tutores Inteligentes.

Cursos grandes nas plataformas de MOOCs.

Robótica Inteligente Educacional, ainda, é embrionária com o uso de robôs

inteligentes pré-programados. A Robótica Educacional começa a fazer parte do
currículo fundamental e médio de algumas escolas, porém sem a utilização de IA.

Visão computacional na Robótica.

Processamento de Linguagem Natural que trata da compreensão, da tradução e da

geração da língua escrita e falada.
Fonte: adaptado de Viccari (2018, p. 29).

Já no quadro 15 é possível identificar que as tecnologias introduzidas neste

período realmente vieram a acontecer e que essas tendências se confirmaram.

Quadro 15 - Tendências de IA na educação no curto prazo

CURTO PRAZO: 2017 A 2020
Processamento de Língua Natural (PLN): aplicada à Educação para tradução
simultânea de voz (em tempo real) e para textos. O PLN vai contribuir cada vez mais
para o intercâmbio entre alunos de nacionalidades diferentes e para a transmissão
 64

em tempo real de aulas em línguas distintas, as quais serão traduzidas para os

estudantes.
Afetividade/Emoções ingressadas por Sistemas Tutores Inteligentes: a tendência
aponta para seu uso também nas plataformas LMSs, MOOCs e Robótica
Educacional para análise de textos e voz, e para detectar emoções pela face do
aluno.
Robótica Educacional: estará mais presente nos currículos das escolas, inclusive
no ensino fundamental e médio, em função da diminuição dos custos desse tipo de
tecnologia.
Ensino Personalizado: favorecido pelos Sistemas Tutores Inteligentes, por meio do
modelo afetivo/cognitivo do aluno, será utilizado também para geração automática
de livros didáticos personalizados, os SmartBooks, que serão customizados de
acordo com o conhecimento e o perfil de cada estudante.
Learning Analytics: refere-se à interpretação da ampla gama de dados produzidos
por alunos e reunidos a fim de avaliar o progresso acadêmico, prever o desempenho
futuro e detectar possíveis problemas.
Cursos MOOCs: tendem a ser menores e serão utilizados de forma mista, ou seja,
os alunos poderão optar por realizar alguns módulos através das plataforma e
atividades práticas nos laboratórios, por exemplo.
Uso de Redes Sociais: nas plataformas LMSs.
Visão Computacional: no contexto educacional, teve seu início na Robótica e a
tendência é que, a curto prazo, ela migre para os Sistemas Tutores Inteligentes,
plataformas LMSs e MOOCs, tanto para reconhecimento de aspectos emocionais,
quanto para certificação da identidade dos alunos.
Realidade Virtual: tecnologia de interface humano-computador avançada, cujo
objetivo é recriar ao máximo a sensação de realidade para o usuário. Para isso, a
interação é realizada em tempo real, com o uso de técnicas e de equipamentos
computacionais que ajudam na ampliação do sentimento de presença no usuário.
Realidade Aumentada: tecnologia utilizada para unir o mundo real com o virtual,
através da utilização de um marcador, webcam ou de um smartphone e visa, assim,
a inserção de objetos virtuais no ambiente físico, mostrados ao usuário em tempo
real.
Fonte: adaptado de Viccari (2018, p. 33).
 65

Ainda cabe menção para algumas tecnologias, como a Internet das Coisas
(IoT), o Armazenamento de Conteúdo Educacional em Nuvens e a Internet por
Satélite, que são constituintes da área de Computação e Telecomunicação, mas que
afetarão a IA e os sistemas educacionais a curto prazo.

No quadro 16, a autora nos apresenta uma previsão na qual a IA, em alguns
aspectos, já vem sendo realizada ou estão em avançados níveis de pesquisa.

Quadro 16 - Tendências de IAED no médio prazo.

MÉDIO PRAZO: 2020 A 2030
Contínuo desenvolvimento da Afetividade/Emoções.
Possível mudança na arquitetura das máquinas com a inclusão de mais um
processador (além do aritmético e do lógico), para a Tomada de Decisão, ou seja,
tecnologias da IA ligada à Afetividade/Emoções.
Utilização de Jogos Sérios envolvendo, além da IA, a Realidade Virtual e a
Realidade Aumentada. Essas tecnologias serão mais acessíveis do ponto de vista
econômico e, portanto, mais utilizadas na Educação.
Continuação do desenvolvimento do Processamento de Língua Natural, com a
tradução simultânea de voz e texto, provavelmente integrada com óculos e fones.
Utilização de Óculos Inteligentes que incorporam um pequeno display que mostra
informações ao usuário e interpreta comandos de voz via linguagem natural.
Utilização de Fones de Ouvido Wireless com o intuito de permitir a comunicação de
pessoas que não falam a mesma língua. Os fones podem captar o que é falado por
uma pessoa, traduzir instantaneamente e informar à outra pessoa o que foi falado
numa língua familiar.
Criatividade Computacional ligada às artes: a produção artística da arte
computacional vinculada à programação, através de modelos matemáticos e da
ótica (visão e reconhecimento de imagens). No momento, essa tecnologia já
impacta o ensino de artes e música.
Ética Computacional: vem se desenvolvendo lentamente, principalmente ligada à
Robótica. A tendência é a de que a Ética Computacional seja aplicada a todos os
sistemas de IA.
 66

Ecossistemas Educacionais: são compostos pela integração de vários aplicativos

ou componentes nos quais a utilização de tecnologias complementa a educação
formal ou informal. Estes sistemas, algoritmos de IA e de Learning Analytics, em
particular, buscam analisar o desempenho do aluno de acordo com as estratégias
pedagógicas (adotadas pelo professor humano ou por um Sistema Tutor
Inteligente), o estilo de aprendizagem e o estado emocional do estudante. As
informações são utilizadas para fornecer avisos e sugestões que possam melhorar
o desempenho da aprendizagem e apoiar as escolhas de atividades pedagógicas.
Essas ideias juntas formam a proposta dos ecosystems da Educação Digital.
Fonte: adaptado de Viccari (2018, p. 37).

Por fim, as considerações para o uso de tecnologias da IA na Educação indicam

o contínuo avanço, considerando-se o curto e o médio prazo:

• Do uso generalizado dos produtos do Processamento de Língua Natural

(tradução, reconhecimento, geração da fala e da escrita), tanto em sistemas
educacionais (Massive Open Online Courses, Learning Management Systems e
Sistemas Tutores Inteligentes), quanto na Robótica;

• Da integração das tecnologias da Afetividade/Emoções, tanto nos sistemas

educacionais quanto no Processamento da Língua Natural e na Robótica;

• De sistemas educacionais com um formato híbrido, contemplando a

integração de aplicativos nas plataformas, similar aos ecossistemas;

• De maior utilização, nos sistemas educacionais, da visão computacional vinda

da Robótica, proporcionando a identificação dos alunos em sistemas on-line;

• Para a adoção de material educacional digital personalizado, como os

Smartsbooks, Objetos de Aprendizagem e Recursos Educacionais Abertos;

• Para a reconfiguração da sala de aula em espaços de aprendizagem no

formato Fab Lab, sala de aula invertida e ambientes virtuais de ensino-aprendizagem
que acompanham os alunos em qualquer local e que incorporam, além da IA, a
mobilidade e as interfaces 3D com o uso de vários hardwares.

Fica evidente que o avanço que provocará mudanças nos processos de ensino
e aprendizagem se dará em termos das interfaces dos ambientes virtuais de
 67

aprendizagem, com a utilização do Processamento da Língua Natural (voz, escrita,

tradução) e da Afetividade.

Hoje, ainda existem restrições tecnológicas, mas principalmente financeiras,

que impedem uma imersão maior dos estudantes em um sistema de IAED mais
complexo e eficaz. Com o acelerado desenvolvimento e barateamento da tecnologia,
não será difícil apontar que em pouco tempo haverá possibilidades que em 2020/21
não se dispõe.

Para corroborar com as análises até aqui estudadas, apresentaremos as

publicações oriundas de uma Revisão Sistemática de Literatura em que a IAED é
pesquisada pela academia, mais precisamente em teses e dissertações encontradas
no Banco Digital Brasileiro de Teses e Dissertações nos últimos cinco anos.
 68

4 ANÁLISE DE RESULTADOS

Este capítulo apresenta o processo de coleta de dados desenvolvido por meio

da Revisão Sistemática de Literatura, apontando resultados quantitativos das
pesquisas selecionadas para esta investigação. A partir desses dados, a análise
qualitativa, organizada em quatro eixos temáticos, evidencia os resultados da
pesquisa.

4.1 REVISÃO SISTEMÁTICA DE LITERATURA

A Revisão Sistemática de Literatura (RSL) caracteriza-se por uma metodologia

de pesquisa bem definida para identificar, analisar e interpretar as evidências
disponíveis relacionadas a uma questão de pesquisa ou fenômeno de interesse
(FELIZARDO et al., 2017).

Procuramos, por meio da RSL, verificar qual a incidência e quais assuntos

foram tratados pelos pesquisadores sobre a temática da Inteligência Artificial no
processo de ensino e aprendizagem.

A RSL visa ampliar o campo de estudo para que o pesquisador consiga explorar
o assunto até que se alcance um referencial cientificamente seguro e confiável que
levem a validação da pesquisa.

No processo de revisão sistemática de literatura, é imprescindível que sejam

registadas todas as etapas de pesquisa, não só para que esta possa ser
replicável por outro investigador, como também para se aferir que o processo
em curso segue uma série de etapas previamente definidas e absolutamente
respeitadas nas várias etapas. (RAMOS; FARIA; FARIA, 2014, p. 7).

Dessa forma, realizamos uma análise preliminar de acordo com os critérios de

escolha das teses e dissertações e que resultaram na construção de eixos temáticos
conforme distinção dos conteúdos tratados nas pesquisas.

4.1.1 Análise preliminar da Revisão Sistemática de Literatura

A RSL teve início com a busca de pesquisas na Biblioteca Digital Brasileira de

 69

Teses e Dissertações (BDTD) desenvolvida e coordenada pelo Instituto Brasileiro de

Informação em Ciência e Tecnologia (IBICT). Realizamos a pesquisa entre os meses
de novembro de 2019 e fevereiro de 2020. O termo chave que utilizamos na primeira
busca foi “Inteligência Artificial” e “Ensino”, com aspas no modo busca avançada.
Também fizemos a busca sem as “aspas” e o resultado alcançado foi exatamente
igual. O período de estudo das pesquisas publicadas foi de 2015 a 2020. Esse período
foi escolhido, pois pesquisas anteriores se demonstraram muito defasadas em relação
ao tema e as propostas não eram atuais, ou seja, foram superados pelas novas
tecnologias. Esta busca resultou em 44 pesquisas, sendo 30 dissertações de
mestrado e 14 teses de doutorado.

Deste volume de trabalhos foram utilizados os seguintes critérios de inclusão e

exclusão:

Critérios de Inclusão:

 Período de 2015 a 2020;

 Repositório do BDTD;
 Publicações brasileiras em português;
 Textos com endereços válidos;
 Termos de busca: “Inteligência Artificial” “and” “Ensino”.
Critérios de Exclusão:

 Pesquisas fora do período de análise;

 Textos em língua estrangeira;
 Publicações com endereços inválidos;
 Pesquisas que não abordavam a temática desta análise.

Do total de 44 resultados da pesquisa, foram retiradas 29 por não apresentarem

em seu conteúdo a temática pesquisada. As 15 incluídas estão apresentadas, como
demonstra o quadro 17:

Quadro 17 – Busca na BDTD com o termo “Inteligência Artificial e Ensino”.

Palavras- Título Autor(a) Tipo Ano Área
chave
 70

Avaliação do uso de
modelagem qualitativa
com apoio de agentes
Tarcisio
aprendizes virtuais na Dissertação
Ferreira 2015 Ciências
compreensão da Profissional
Cavalcante
dinâmica de sistemas por
alunos do Ensino
Fundamental
Avaliando o
conhecimento algébrico
do estudante através de Henrique
Ciência da
redes bayesianas Manfron Dissertação 2015
Computação
dinâmicas: um estudo de Seffrin
caso com o sistema tutor
inteligente PAT2Math
ELAI: intelligent agent
Fabrício Ciência da
adaptive to the level of Dissertação 2015
Herpich Computação
expertise of students
Objeto de aprendizagem
Olivia Ramos
adaptativo no ensino da Dissertação 2015 Engenharia
Morais Braga
lógica booleana
Sistema especialista para
auxílio na utilização de Robson de
jogos não-educacionais Souza Dissertação 2015 Engenharia
no processo de Resende
aprendizagem
A utilização de redes
neurais artificiais e teoria Eduardo de
Ciência da
“Inteligência das inteligências Paula Lima Dissertação 2017
Computação
Artificial” múltiplas no apoio ao Nascimento
and ensino
“Ensino” Aprendizagem do
pensamento Rafael
computacional e Marimon Tese 2017 Educação
desenvolvimento do Boucinha
raciocínio
Autoria de decisões
pedagógicas informadas Ranilson
Ciência da
por dados sob a Oscar Araújo Tese 2017
Computação
perspectiva de um Paiva
MOOC.
Novas abordagens para Samuel
detecção automática de Henrique Dissertação 2017 Educação
estilos de aprendizagem Falci
Um Chatterbot para
criação e Carlos
Ciência da
desenvolvimento de Eduardo Dissertação 2017
Computação
ontologias com lógica de Teixeira Lima
descrição
A utilização do tutor
William
inteligente MAZK no Ciência da
Nunes Dissertação 2018
processo de ensino- Informação
Bittencourt
aprendizagem
Abordagem avaliativa
multidimensional para Alana
Ciência da
previsão da evasão do Marques de Tese 2018
Computação
discente em cursos Moraes
online.
Inteligência Artificial e Luis
Tese 2018 Educação
Instrumentalização Fernando
 71

Digital no Ensino: A Altenfelder

Semiformação na Era da de Arruda
Automatização Campos
Computacional
Jogo digital com
realidade aumentada e
inteligência artificial Felipe
aplicado ao contexto de Cabrini Alves Dissertação 2018 Engenharia
musicalização infantil Palmeira
com foco na percepção
de musical
Framework para sistema
Marcelo
tutor adaptativo ao Ciências
Cunha de Tese 2019
raciocínio crítico em Contábeis
Souza
contabilidade - STARCC
Fonte: o autor (2020).

Realizamos uma segunda procura com os mesmos critérios da anterior, com

os termos “Inteligência Artificial” “and” “Educação”, com aspas no modo “busca
avançada” e também no mesmo período (de 2015 a 2020). Esta busca trouxe 31
resultados, sendo 18 dissertações e 13 teses. E, após realizarmos o mesmo critério
de exclusão da busca anterior, retirando ainda, neste caso, as pesquisas já
apresentadas na primeira busca, resultou em quatro pesquisas, conforme mostra o
quadro 18 a seguir:

Critérios de Inclusão:

 Período de 2015 a 2020;

 Repositório do BDTD;
 Publicações brasileiras em português;
 Textos com endereços válidos;
 Termos de busca: “Inteligência Artificial” “and” “Educação”;
 Não repetição de textos da primeira busca.

Critérios de Exclusão:

 Resultados fora do período da pesquisa;

 Textos em língua estrangeira;
 Publicações com endereços inválidos;
 Pesquisas que não abordavam a temática desta pesquisa;
 Mesmas pesquisas encontradas na pesquisa anterior.
 72

Quadro 18 - Busca na BDTD com o termo “Inteligência Artificial” e “Educação”.

Palavras- Título Autor(a) Tipo Ano Área

chave

Um modelo de Maria Isabel

Ciência da
sistema AVA-SMA Giusti Tese 2017
Computação
orientado à legislação Moreira
iDE – um framework
para suporte ao Ketlen
Ciência da
gerenciamento de Karine Teles Tese 2018
Computação
cursos em educação a Lucena
distância
“Inteligência Um modelo de
Artificial e recomendação de
Educação” recursos educacionais Victor
baseado em Afonso dos Ciência da
Dissertação 2018
aprendizagem de Santos Computação
máquina para Ferreira
autorregulação da
aprendizagem
Educação básica e Dissertação 2019 Educação
inteligência artificial: Francielle
perspectivas, Nogueira
contribuições e Gatti
desafios
Fonte: o autor (2020).

Diante da análise e de acordo com os critérios de seleção, inclusão e exclusão,

tivemos um total de 19 pesquisas (quadros 15 e 16), sendo 12 dissertações de
mestrado e 7 teses de doutorado, na BDTD, e que estão relacionados com o tema da
presente pesquisa.

Quadro 19 - Resultado após critérios de exclusão (BDTD).

Base de Dados
BDTD
Critérios
Dissertação Tese

Resultados da busca 48 30
Excluídos -32 -27
Total Estudo 16 3
Total Geral 19
Fonte: o autor (2020).
 73

O gráfico 1, mostra a quantidade de pesquisas selecionadas durante o período

de 2015 a 2020:

Gráfico 1 - Evolução temporal dos estudos.

PUBLICAÇÕES
7

0
2015 2016 2017 2018 2019

Fonte: o autor (2020).

A busca realizada no repositório BDTD mostrou que nos últimos seis anos não
houve uma evolução na quantidade de estudos relacionados à Inteligência Artificial na
educação. Em 2015 foram encontrados 5 resultados de pesquisa; em 2016 nenhuma;
em 2017 foram 6; em 2018 também 6, em 2019, 2 pesquisas e em 2020 nenhuma.
Não significa que não houve pesquisas em outros repositórios.
O gráfico 2 representa a quantidade de instituições das pesquisas
selecionadas:

Gráfico 2 - Instituições envolvidas.

 74

Instituições envolvidas:
3

Fonte: o autor (2020).

Nesse intervalo de tempo, foram encontradas na Universidade Mackenzie de

São Paulo, 3 publicações com a temática estudada, seguido de duas publicações nas
Universidade Federal do Rio Grande do Sul, Universidade Federal de Pernambuco,
Universidade Federal da Paraíba e Unesp de São Paulo e nas demais instituições,
foram encontradas somente uma publicação. São Paulo e Rio Grande do Sul são as
principais fornecedoras de material a respeito de IA e educação.

Após a seleção das pesquisas, por meio da Revisão Sistemática de Literatura,

o próximo passo consistiu na leitura de todos os resumos para a verificação de
contribuições relevantes à pesquisa, com base nas etapas do processo de RSL,
especialmente se os resumos estavam relacionados com a temática Inteligência
Artificial e Ensino e/ou Inteligência Artificial e Educação. De acordo com Perrier (2019,
p. 66), a leitura crítica dos resumos “possibilita que haja alguma flexibilidade para
incorporar trabalhos que, mesmo fugindo um pouco das premissas, mostrem-se com
potencialidade para contribuir com a pesquisa por alguma característica forte
identificada na leitura flutuante”.

Com isso, foi realizada a leitura dos resumos e selecionadas 19 pesquisas

publicadas entre 2015 e 2020, que possuem grandes evidências para contribuir com
a pesquisa, conforme indica o quadro 20:

Quadro 20 - Teses e dissertações selecionadas para a RSL.

 75

Título Autor(res) Tipo Ano

Avaliação do uso de modelagem qualitativa
com apoio de agentes aprendizes virtuais na Tarcisio Ferreira Dissertação
1 2015
compreensão da dinâmica de sistemas por Cavalcante Profissional
alunos do Ensino Fundamental
Avaliando o conhecimento algébrico do
estudante através de redes bayesianas Henrique Manfron
2 Dissertação 2015
dinâmicas: um estudo de caso com o sistema Seffrin
tutor inteligente PAT2Math
ELAI: intelligent agent adaptive to the level of
3 Fabrício Herpich Dissertação 2015
expertise of students
Objeto de aprendizagem adaptativo no ensino Olivia Ramos Morais
4 Dissertação 2015
da lógica booleana Braga
Sistema especialista para auxílio na utilização
Robson de Souza
5 de jogos não-educacionais no processo de Dissertação 2015
Resende
aprendizagem
A utilização de redes neurais artificiais e teoria Eduardo de Paula
6 Dissertação 2017
das inteligências múltiplas no apoio ao ensino Lima Nascimento
Aprendizagem do pensamento computacional Rafael Marimon
7 Tese 2017
e desenvolvimento do raciocínio Boucinha
Autoria de decisões pedagógicas informadas Ranilson Oscar
8 Tese 2017
por dados sob a perspectiva de um MOOC. Araújo Paiva
Novas abordagens para detecção automática Samuel Henrique
9 Dissertação 2017
de estilos de aprendizagem Falci
Um Chatterbot para criação e desenvolvimento Carlos Eduardo
10 Dissertação 2017
de ontologias com lógica de descrição Teixeira Lima
Um modelo de sistema AVA-SMA orientado à Maria Isabel Giusti
11 Tese 2017
legislação Moreira
A utilização do tutor inteligente MAZK no William Nunes
12 Dissertação 2018
processo de ensino-aprendizagem Bittencourt
Abordagem avaliativa multidimensional para
Alana Marques de
13 previsão da evasão do discente em cursos Tese 2018
Moraes
online
Inteligência Artificial e Instrumentalização Luis Fernando
14 Digital no Ensino: A Semiformação na Era da Altenfelder de Tese 2018
Automatização Computacional Arruda Campos
Jogo digital com realidade aumentada e
inteligência artificial aplicado ao contexto de Felipe Cabrini Alves
15 Dissertação 2018
musicalização infantil com foco na percepção Palmeira
de musical
iDE – um framework para suporte ao
Ketlen Karine Teles
16 gerenciamento de cursos em educação a Tese 2018
Lucena
distância
Um modelo de recomendação de recursos
educacionais baseado em aprendizagem de Victor Afonso dos
17 Dissertação 2018
máquina para autorregulação da Santos Ferreira
aprendizagem
Framework para sistema tutor adaptativo ao Marcelo Cunha de
18 Tese 2019
raciocínio crítico em contabilidade - STARCC Souza
Educação básica e inteligência artificial: Francielle Nogueira
19 Dissertação 2019
perspectivas, contribuições e desafios Gatti
Fonte: o autor (2020).
 76

Tratando dos resumos das pesquisas, confeccionamos um gráfico digital,

“nuvem de palavras”, que mostra a frequência das palavras em um texto indicando os
principais termos que emergiam nesses estudos, conforme figura 1 a seguir:

Figura 1 - Nuvem de palavras da RSL.

Fonte: o autor (2020).

Podemos observar que as palavras que mais se destacaram no gráfico digital

“nuvem de palavras”, conforme quadro 21, foram:

Quadro 21 - Dissertações e teses selecionadas para a RSL.

PALAVRAS MENÇÕES / OCORRÊNCIAS
Alunos 41
Aprendizagem 33
Inteligência 33
Estudantes 30
Cursos 27
Sistemas 25
Ensino 22
Redes 22
Estudo 22
Conhecimento 21
 77

Desenvolvimento 19
Processo 19
Modelo 18
Artificial 16
Fonte: o autor (2020).

Podemos observar em destaque as palavras: dados, agentes, professor,

raciocínio, objetivo, pesquisa, tutores, desempenho, recursos, distância e digitais,
todos com 10 e 15 menções. Essas informações mostram que as pesquisas
escolhidas abordam de forma bastante clara a relação entre ensino e tecnologia. O
foco dessas pesquisas é: o aluno/estudante que está na busca de
conhecimento/desenvolvimento que utiliza um processo de ensino e aprendizagem
pautado em modelos, que por meio do auxílio das tecnologias, ou seja, da Inteligência
Artificial, podem auxiliar melhor no seu processo de desenvolvimento.

4.2 ANÁLISE DOS EIXOS TEMÁTICOS

Esta pesquisa trouxe diversas perspectivas acerca do uso da Inteligência

Artificial na educação, na qual podemos destacar alguns temas que foram mais
pesquisados nas teses e dissertações analisadas. Verificamos a incidência dos
objetos e conseguimos traçar eixos que agrupam os conteúdos de mesma temática
para melhor compreensão dos itens pesquisados. O quadro 22 apresenta a divisão
das teses e dissertações por eixo temático.

Quadro 22 - Eixos Temáticos da Revisão Sistemática de Literatura.

EIXO DESCRIÇÃO AUTORES
Avaliação do uso de modelagem
qualitativa com apoio de agentes
aprendizes virtuais na Tarcisio Ferreira
Sistema de Tutores compreensão da dinâmica de Cavalcante
Inteligentes sistemas por alunos do Ensino
Fundamental.
Avaliando o Conhecimento Henrique Manfron
algébrico do estudante através de Seffrin
 78

redes bayesianas dinâmicas: um

estudo de caso com o sistema
tutor inteligente PAT2Math.
ELAI: intelligent agente adaptive
to the level of expertise of Fabrício Herpich
students.
Um Chatterbot para criação e
Carlos Eduardo
desenvolvimento de ontologias
Teixeira Lima
com lógica de descrição.
A utilização do tutor inteligente
William Nunes
MAZK no processo de ensino-
Bittencourt
aprendizagem.
Framework para sistema tutor
Marcelo Cunha de
adaptativo ao raciocínio crítico
Souza
em contabilidade – STARCC.
Um modelo de sistema AVA-SMA Maria Isabel Giusti
orientado à legislação. Moreira
Autoria de decisões pedagógicas
Ranilson Oscar
informadas por dados sob a
Araújo Paiva
perspectiva de um MOOC.
Abordagem avaliativa
Ambientes Virtuais de multidimensional para previsão Alana Marques de
Aprendizagem da evasão do discente em cursos Moraes
on-line.
Um modelo de recomendação de
recursos educacionais baseado
Victor Afonso dos
em aprendizagem de máquina
Santos Ferreira
para autorregulação da
aprendizagem.
Objeto de aprendizagem
Olivia Ramos
Ensino Adaptativo adaptativo no ensino da lógica
Morais Braga
booleana.
 79

A utilização de redes neurais

Eduardo de Paula
artificiais e teoria das inteligências
Lima Nascimento
múltiplas no apoio ao ensino.
Novas abordagens para
Samuel Henrique
detecção automática de estilos
Falci
de aprendizagem.
Inteligência Artificial e
Instrumentalização Digital no Luis Fernando
Ensino: A Semiformação na Era Altenfelder de
da Automatização Arruda Campos
Computacional.
Sistema especialista para auxílio
na utilização de jogos não- Robson de Souza
educacionais no processo de Resende
aprendizagem
Aprendizagem do pensamento
Rafael Marimon
computacional e
Boucinha
Outras Aplicações desenvolvimento do raciocínio
Jogo digital com realidade
aumentada e inteligência artificial Felipe Cabrini
aplicado ao contexto de Alves
musicalização infantil com foco Palmeira
na percepção de musical
Educação básica e inteligência Francielle
artificial: perspectivas, Nogueira
contribuições e desafios Gatti
iDE – um framework para suporte
Ketlen Karine
ao gerenciamento de cursos em
Teles Lucena
educação a distância
Fonte: o autor 2020.

Dessa forma, apresentamos as conclusões acerca dos eixos temáticos a serem

explorados nas seções seguintes. A ordem estabelecida foi por quantidade de
 80

resultados por tema, sequenciada inicialmente por aqueles que têm mais pesquisas
para os de menor número de pesquisas.

4.2.1 Eixo 1: Sistemas de Tutores Inteligentes (STI)

O eixo temático Sistemas de Tutores Inteligentes (STI) expressa a necessidade

da utilização de uma ferramenta para o auxílio dos professores e alunos no processo
de ensino e aprendizagem. Um sistema tutor inteligente (STI) de acordo com
Pozzebon (2008, p. 1) “é um sistema para auxiliar na aprendizagem que requer uma
grande compreensão das várias dimensões envolvidas no processo de ensino.” Um
ambiente de aprendizagem que possibilita que um estudante aprenda um determinado
assunto com a ajuda do computador.

Cavalcante (2015) apresenta em sua dissertação de mestrado, a utilização de

um software que simula a vivência de um avatar - personagem fictício (animal – pet
animado digitalmente) que precisa ser ensinado pelo aluno que o manipula. Neste
processo, existem três agentes virtuais que assumem papéis de: agente aprendiz, que
precisa ser ensinado pelo aluno (e sua aprendizagem representa a aprendizagem do
aluno); o agente professor, que representa o professor de sala, que detém
conhecimentos e fornece explicações ao aluno; e o agente quizmaster (mestre do
quiz) que representa um animador de plateia, cuja função é fazer perguntas e apontar
erros e acertos nas perguntas. A função principal do programa é que o aluno sinta que
está ensinando ao personagem novos conhecimentos. Outra função tem a ver com o
estabelecimento de um bom relacionamento com as partes e incentivá-los a ensinar
bem, a fim de estimular a responsabilidade da aprendizagem. Ao final de um quiz as
respostas certas e erradas são apresentadas de modo que o aluno tenha ciência dos
seus erros e acertos e possa se preparar melhor e submeter seu agente a uma nova
seção de perguntas.

As técnicas desenvolvidas na área da Inteligência Artificial conhecida como

Raciocínio Qualitativo, por meio do uso de modelos de simulação,
construídos a partir de linguagem formal (com significados comuns a
professores e alunos), em ambiente interativo são fatores que podem
contribuir para solucionar os problemas descritos. (CAVALCANTE, 2015, p.
15).

O resultado da pesquisa mostrou que os alunos sentiram que realmente

estavam ensinando seus pets e que estes agentes foram ensinados e aplicaram os
 81

conhecimentos adquiridos ao se submeterem ao quiz. Os agentes aprendizes virtuais

foram capazes de despertar nos estudantes a responsabilidade pela aprendizagem
destes agentes e pelo desempenho dos mesmos no quiz. Tanto o professor como os
estudantes consideraram que a modelagem e o uso de agentes aprendizes virtuais
poderiam ser aplicados a outras disciplinas. Essa abordagem foi considerada
inovadora, interessante, estimulante para o pensamento causal e motivadora para
aprender mais sobre os fenômenos estudados.

Seffrin (2015), em sua dissertação, discorre sobre como o ensino

individualizado é mais eficiente no processo de aprendizagem do aluno,
principalmente no ensino da matemática, mas devido à inviabilidade do professor
estar disponível para todos individualmente, o uso de Sistemas de Tutores Inteligentes
(STI), por meio de inteligência artificial, passa a ser uma alternativa interessante para
uma assistência mais personalizada aos aprendizes. O autor aponta para um cenário
de baixo rendimento escolar na disciplina de matemática, especialmente em Álgebra,
e que os estudantes que têm apoio em professores particulares têm melhor
desempenho que os alunos que receberam apenas a instrução convencional em sala
de aula. Os Sistemas Tutores Inteligentes (STI) oferecem uma alternativa viável a
essa questão.

De fato, alguns estudos recentes, envolvendo meta-análise, têm mostrado

que STI podem ser tão efetivos quanto um professor particular. Esses
softwares educacionais utilizam técnicas de inteligência artificial para prover
o estudante de um ambiente similar ao one to one tutoring (ensino
individualizado). Isso é possível, porque eles são capazes de mapear o
conhecimento de cada aluno e, dessa forma, adaptar a assistência e a
instrução dadas de acordo com o seu conhecimento. Esse sistema mapearia
o conhecimento de cada aluno propondo um estudo dirigido para o indivíduo
de acordo com suas dificuldades de aprendizagem. (SEFFRIN, 2015, p.14).

O objetivo da pesquisa é melhorar a inferência do conhecimento algébrico do

estudante através da representação explícita da relação entre conceitos algébricos,
operações algébricas e falsas concepções, em um sistema de IA.

O autor diz que sendo o STI um software complexo, é natural que o seu
desenvolvimento também o seja (SEFFRIN, 2015 p.22). A Ciência da Computação
provê todo o suporte tecnológico para dar forma ao sistema: a IA para lidar com
questões como o conhecimento do sistema e do aluno, a internet para prover a
mobilidade do sistema e os recursos multimídia para tornar o ensino mais dinâmico.
A Psicologia, com o estudo das Ciências Cognitivas, preocupa-se com questões
 82

relativas a como o ser humano pensa e aprende: como aquele aluno, que está
interagindo com o sistema, aprende as informações que ele está assimilando; os seus
estados emocionais, e de que forma eles interferem no seu aprendizado, positiva ou
negativamente; e como detectar esses estados emocionais, seja por voz, expressões
faciais, comportamento do aluno durante a interação com o sistema ou por sinais
fisiológicos (JAQUES et al., 2011).

A Educação, por sua vez, oferece todo o suporte de domínio ao sistema, bem
como questões referentes ao ensino, tais como: (i) definição de currículos: os
conteúdos a serem ensinados e a sua organização; (ii) metodologias de
ensino: qual o melhor meio de introduzir certos conceitos, qual a melhor forma
de auxiliar o aluno quando apresenta alguma dificuldade; (iii) avaliação: como
avaliar determinado conhecimento, como determinar se um conhecimento foi
assimilado pelos alunos; e (iv) motivação: como tornar um conteúdo mais
interessante para os alunos. (SEFFRIN, 2015, p. 22).

Ao final da pesquisa o autor apresenta as conclusões em que realmente houve

uma melhora no aprendizado dos alunos que utilizaram o STI durante o processo e
que o software utilizado pode ser melhorado e adaptado para as demais áreas do
conhecimento.

Herpich (2015) em seu estudo, apresenta um STI denominado ELAI (Intelligent

Agent adaptive to the Level of Expertise of Students) que foi testado em estudantes
da Universidade Federal de Santa Maria, dos cursos de Graduação em Ciência da
Computação, Sistemas de Informação e Pós-Graduação em Ciência da Computação
em nível de Mestrado. O software visa oferecer ao estudante suporte adequado ao
processo de aprendizagem.

A implementação de agentes inteligentes com o emprego de regras de

inteligência artificial, possibilita oferecer um suporte ciente das reais
exigências dos estudantes no que diz respeito ao seu nível de experiência,
fazendo com que os conteúdos programáticos, atividades e exercícios
conduzidos no ambiente virtual imersivo, sejam direcionados de acordo com
o nível de conhecimento do usuário. Diante disso, o principal impacto
proporcionado por essas adaptações concerne, positivamente, sob o
aprendizado dos estudantes que fazem uso dele, uma vez que permite uma
melhor utilização dos conteúdos educacionais disponibilizados no ambiente.
(HERPICH, 2015, p. 24).

O ELAI utiliza chatterbots e um ambiente virtual imersivo no qual os usuários

devem participar das atividades a fim de aprender os conteúdos de computação, em
especial o uso de Rede de Computadores. O agente é apto a identificar três níveis de
 83

expertise, os quais foram estabelecidos como: básico, intermediário e avançado, e a

partir disso, responder aos questionamentos dos estudantes conforme essa
informação contextual. O ELAI, ao final da pesquisa, mostrou-se uma alternativa
viável, que oferece apoio no processo de ensino e aprendizagem além de incentivar
a interação com os conteúdos no ambiente virtual imersivo. O fato do estudante
possuir a assistência de um agente inteligente, os incentivam tanto a alcançar esses
objetivos quanto interagir e obter experiências com os conteúdos dispostos no
ambiente, tornando-as mais produtivas, consolidadas e dinâmicas.

Lima (2017) demostrou em seu projeto que a construção e representação do

conhecimento decorrentes de diálogos entre pessoas e chatterbots (robôs destinados
à conversação e interação direta com seres humanos) é uma solução viável para o
processo de aquisição de um modelo de domínio baseado em ontologias e modelado
em lógica de descrição. O autor faz a seguinte pergunta: “Como fazer um chatterbot
conversar, aprender, realizar raciocínio e construir bases de conhecimento a partir dos
diálogos realizados?”

Propõe-se então um chatterbot denominado EDUBOT que não apenas

conversa com o usuário, mas também constrói bases de conhecimento a partir do
tema discutido. A ideia de sua aplicação é fazer com que auxiliem os usuários em
tarefas específicas como a retirada de dúvidas a respeito de um assunto específico,
assumindo o papel de assistente ou tutor.

Demonstrar que um chatterbot, diferentemente de apenas um sistema de

diálogo, é capaz de conversar com indivíduos sociais e, de maneira
simultânea e transparente, capturar fatos, representá-los adequadamente
sob a forma de ontologias em lógicas de descrição, realizar raciocínio de
subsunção e inconsistência, deduzindo novos fatos sobre eles a partir de
diálogos com indivíduos sociais, viabilizando uma solução efetiva para a
aquisição e representação de conhecimento a partir de diálogos. (LIMA, 2017,
p. 28).

A partir dos experimentos realizados, e com base na análise da percepção dos

usuários, obtiveram-se resultados satisfatórios que mostraram a capacidade do
EDUBOT em conversar com o usuário.

Bittencourt (2018) procurou identificar que a partir do posicionamento dos

professores que utilizaram um sistema de tutor inteligente, denominado MAZK, qual é
a aderência que a ferramenta possui para apoiar o processo de ensino em diferentes
níveis da educação.
 84

Com o advento da Inteligência Artificial (IA) aplicada a educação, surgem

possibilidades adaptativas como os sistemas tutores inteligentes (STI). Eles
trazem protagonismo para o aluno, envolvimento tecnológico no aprendizado
e softwares personalizados para que o professor possa exercitar a sua
modelagem metodológica. (BITTENCOURT, 2018, p. 20).

O MAZK tem como objetivo geral posicionar-se como um instrumento de apoio

pedagógico para as estratégias do professor, aproximando o docente das tecnologias
educacionais, em prol de uma melhor socialização, contribuindo para qualidade de
ensino dos alunos. A finalidade específica é proporcionar o ensino e a aprendizagem
de temas diversos, de forma adaptativa e colaborativa. Para isso, a sua funcionalidade
é em ambiente web, que pode ser acessado em computadores ou dispositivo móvel,
como tablets e celulares. O autor conclui que foi possível perceber que o MAZK, como
ferramenta educacional de apoio a metodologia dos professores, é aceito pela
comunidade de especialistas pesquisados e que sua implantação poderá ser realizada
em um curto período de tempo. Dessa forma, o sistema tutor inteligente está disposto
como uma alternativa viável no contexto educacional estando embasado nos relatos
produzidos e no questionário enviado aos pesquisados. Corroborando com isso, o
MAZK depende consideravelmente da capacidade do professor de expor o seu
conteúdo de forma apropriada, conectando-o com uma metodologia de ensino.

Souza (2019) buscou identificar em que medida os sistemas tutores adaptativos

auxiliam o estudante de Contabilidade no desenvolvimento das habilidades de
raciocínio crítico, propondo um framework para desenvolvimento de Sistemas Tutores
Adaptativos ao Raciocínio Crítico em Contabilidade (STARCC).

Docentes gastam grande quantidade do seu tempo preparando e corrigindo

itens de avaliação que chegam de forma tardia para os estudantes. A
contribuição dessa pesquisa vai ao encontro do objetivo de deixar os sistemas
avaliarem os estudantes, em uma relação de ganha-ganha entre docentes,
tecnologia e estudantes. (SOUZA, 2019, p. 122).

Por fim, a tese afirma que os modelos de classificação, apoiados no uso de

técnicas de inteligência artificial e nos modelos de mineração de dados educacionais,
auxiliam no processo de transformação e dão um novo significado à educação,
solidificando as bases tecnológicas necessárias aos avanços educacionais e
profissionais da área de Contabilidade.
 85

A construção de um STI requer uma preparação cuidadosa para que o

processamento das informações possa tirar conclusões adequadas e gerar feedback
assertivo. Hoje, diversas instituições, em todos os níveis de ensino, apresentam em
sua metodologia a utilização de softwares que auxiliam no processo de aprendizagem.

Podemos observar que existem vários projetos em andamento de STI que

vislumbram facilitar, principalmente, a aprendizagem dos alunos, seja por sistemas
que criam personagens para que ele possa interagir e obter aprendizado, como
também programas que identificam e mapeiam todo processo de aprendizagem e a
cada característica reconhecida é introduzida uma nova atividade que será moldada
àquela característica, são chamados de Tutores Inteligentes de ensino adaptativo.
Alguns programas são tão complexos que podem, por meio de vídeo, observar quando
o aluno está entediado ou excitado durante a realização de uma atividade, e, dessa
forma, sugerir atividades mais prazerosas. Também na área de STI podemos verificar
o uso corriqueiro de sistemas de chatterbots, ou robôs de conversa por mensagens,
que auxiliam os usuários em caso de dúvidas. Estes sistemas geralmente apontam
para soluções simples, deixando de lado as questões complexas que envolvam
raciocínio mais apurado, emoções e criatividade. Por fim, há uma pesquisa que
procura auxiliar o professor no processo de identificar, através da IA, sistemas que
possam contribuir para a construção de metodologias e novas formas de ajudar os
alunos na aprendizagem.

4.2.2 Eixo 2: Ambientes Virtuais de Aprendizagens Inteligentes

Neste eixo, analisamos as teses e dissertações que discorrem sobre os

Ambientes Virtuais de Aprendizagem que têm sido amplamente utilizados nos últimos
anos, principalmente pela flexibilização do Ministério da Educação (MEC), que
permitiu com que os cursos de ensino superior adotem até 40% da sua carga horária
em aulas on-line, a distância.

Moreira (2017, p. 19) diz que a principal finalidade dos AVA “é gerenciar a
aprendizagem via Internet”, agregando interfaces que permitam a geração de
conteúdos com base nos mais variados meios de comunicação, possibilitando a
utilização de recursos pedagógicos e administrativos, tentando reproduzir a sala de
aula presencial (física) para o meio virtual, utilizando vários tipos de ferramentas que
facilitem a aprendizagem. De acordo com Almeida (2003):
 86

Ambientes digitais de aprendizagem são sistemas computacionais

disponíveis na internet, destinados ao suporte de atividades mediadas pelas
tecnologias de informação e comunicação. Permitem integrar múltiplas
mídias, linguagens e recursos, apresentar informações de maneira
organizada, desenvolver interações entre pessoas e objetos de
conhecimento, elaborar e socializar produções tendo em vista atingir
determinados objetivos. (ALMEIDA, 2003, p. 331).

As pesquisas sobre os AVA inteligentes têm avançado bastante nos últimos

anos, principalmente pela disseminação dos cursos a distância, que barateiam os
custos das universidades com estrutura, quadro de docentes, entre outros custos. A
ferramenta precisa ser desenvolvida com critérios, na qual a tecnologia aliada aos
aspectos pedagógicos e metodológicos poderão, de fato, ser utilizada de forma
eficiente e coerente pelos alunos.

Paiva (2017) propõe, em sua tese, uma solução para guiar a tomada de
decisões pedagógicas em ambientes on-line de aprendizagem. A proposta visa
auxiliar professores e tutores a descobrirem situações de interesse pedagógico em
seus cursos; compreender essas situações; tomar decisões para abordá-las, e, por
fim, monitorar e avaliar o impacto da decisão tomada. A proposta se fundamenta na
tomada de decisões informada por dados educacionais, na visualização de dados e
nos sistemas de autoria para promover a cooperação entre a inteligência artificial e a
inteligência humana. Pesquisas feitas com estudantes desistentes ou que falharam
em concluir cursos on-line massivos (MOOCs) apontam como motivos: (1) o estudante
não tinha o interesse de concluir o curso, (2) o estudante não tinha tempo para
estudar; (3) o estudante não tinha o conhecimento básico/mínimo necessário; (4) falta
de suporte dos instrutores. Percebemos, contudo, que uma parte desses estudantes
não obteve êxito em decorrência da falta de suporte (ou atribuem a isso sua falta de
sucesso).

A pesquisa deve proporcionar, aos professores e tutores, a possibilidade do

uso de tecnologias que permitam processar os dados educacionais em busca de
situações pedagógicas relevantes com seus grupos, compreender as características
dessas situações pedagógicas, tomar uma decisão para abordar tais situações,
avaliar a eficácia da decisão e repetir esse processo sempre que o resultado da
avaliação não for satisfatório, ou quando uma nova situação pedagógica for detectada.
 87

Os resultados mostraram que as recomendações personalizadas seguindo o

Processo de Tomada de Decisões Pedagógicas (PTDP) fizeram com que os
estudantes não apenas melhorassem suas interações, mas também
promoveram um melhor índice de acertos nos problemas resolvidos (dentre
os estudantes que participaram do experimento). (PAIVA, 2017, p. 214).

Moreira (2017) mostra em seu estudo os principais Ambientes Virtuais de

Aprendizagem (AVA) existentes e sobre os métodos alternativos de integração de
AVA com SMA (Sistemas Multiagentes – baseados em IA). Ao analisar o estado da
arte dos AVA, podemos observar que todos trabalham como ferramentas de auxílio
ao aluno, porém nenhum deles trabalha aspectos da gestão da EaD (Ensino a
distância) dando suporte aos aspectos relevantes da legislação dessa modalidade.
Objetivou-se a criação de um modelo de integração de um AVA já existente com os
principais conceitos de um Sistema Jurídico, intermediado por um Sistema
Multiagente (SMA). A proposta refere-se à criação de um novo conceito denominado
de “Sistema AVA-SMA” orientado à Legislação, que permita incorporar leis e
normativas para o AVA, com um grau de autonomia.

Sendo assim, através desse estudo, foi possível modelar as suas funções
realizadas por cada ator envolvido na EaD e as relações com o Ambiente
Virtual através dos diagramas, mostrando como os agentes podem interagir,
como os mesmos podem ser controlados e como se comportam dentro do
AVA, permitindo que os agentes e entidades respondam dinamicamente as
alterações. (MOREIRA, 2017, p. 139).

Foi possível traçar direções para uma automatização dessas funções de

controle em relação à legislação, visto que através da modelagem tornou-se possível
realizar a sistematização do conhecimento sobre as ações e planos que os agentes
devem realizar.

Morais (2018) apresentou um estudo de lógica Fuzzy (ou difusa) permitindo

que estados indeterminados possam ser tratados por dispositivos de controle e
conceitos não quantificáveis possam ser avaliados pelo especialista. Destarte, propôs
uma abordagem avaliativa voltada ao docente para monitorar as turmas virtuais na
predição e combate à evasão discente em cursos on-line (EaD). A análise realizada
envolve fatores comportamentais do estudante com base em múltiplos critérios. Estes
critérios comportamentais foram fundamentais na descrição das três métricas
principais ao entendimento da evasão do aluno no contexto estudado, a saber:
 88

Autorregulação, Interação e Motivação do aluno. O objetivo geral é propor e avaliar a

aplicação de uma abordagem avaliativa multidimensional na previsão da evasão
discente em um curso on-line, especificamente por meio do uso de uma arquitetura
fuzzy com mineração de texto.

Entendeu-se que o tipo de avaliação mais adequado à EaD é a formativa, por

fornecer subsídios para a melhoria contínua do processo de ensino-
aprendizagem baseado nas ações de cooperação e nos projetos
colaborativos. Neste mesmo contexto, é fundamental relembrar o papel
essencial da avaliação continuada na alimentação de sistemas de retorno,
como exemplificado no referencial teórico deste documento. (MORAES,
2018, p 122).

As principais contribuições da pesquisa: apresentar uma abordagem fuzzy que

incorpore a mineração de texto das mensagens, propor uma abordagem que apoie
tomadores de decisão no combate à evasão discente, obter bons resultados em
contextos distintos de atuação e discutir sobre as funções de pertinência que foram
planejadas e utilizadas no contexto.

Ferreira (2018) investiga e desenvolve uma solução para recomendação de

atividades de aprendizagem baseada em padrões de autorregulação em AVA,
fundamentada em algoritmos de aprendizagem de máquina e mineração de dados.
Foi construída uma solução em software de recomendação de recursos educacionais
que possibilita (1) analisar o desempenho dos estudantes a partir de uma pontuação;
(2) extrair características comportamentais associadas à autorregulação que
influenciam no desempenho; e (3) recomendar ações que promovam a melhoria do
desempenho. A solução é composta por módulos capazes de avaliar o desempenho
do estudante, extrair regras comportamentais que indicam desempenho, e sugerir
atividades para melhoria de desempenho. Os resultados gerados evidenciaram o
caráter promissor da solução para uso em ambientes de ensino a distância.

Podemos constatar que há estudos importantes que tratam dos AVA como
ferramenta de auxílio aos estudantes oferecendo atividades e modelos de
aprendizagem adaptativos. Os sistemas podem, por intermédio de algoritmos
inteligentes, apontar se um aluno poderá evadir do curso mensurando seu
desempenho por meio da utilização do AVA. Estes sistemas têm se provado muito
importantes no controle e manutenção de alunos, principalmente em sistemas de
ensino a distância.
 89

4.2.3 Eixo 3: Ensino Adaptativo

Este terceiro eixo procurou demonstrar como o Ensino Adaptativo também tem
apresentado grande força nas novas metodologias de ensino e aprendizagem
colocando essa ferramenta como destaque nas plataformas de ensino (AVA,
aplicativos e programas) para melhorar a aprendizagem dos alunos que utilizam a
ferramenta. Os estudos sobre esse tema no momento desta pesquisa apresentaram
apenas simulações e protótipos de programas de ensino adaptativo que poderiam ser
implantados nas escolas e universidades. Sabemos que esta tecnologia já está sendo
utilizada, principalmente pelas universidades particulares, em suas matrizes
curriculares. Podemos destacar a Universidade Norte do Paraná (UNOPAR), que por
meio da plataforma “Desafio Nota Máxima” utiliza o ensino adaptativo para identificar
as lacunas de aprendizagem dos alunos e proporcionar um ensino personalizado e
gamificado para que eles alcancem um melhor desempenho acadêmico.

Para Ferreira (2014), “a personalização do ensino tem sido apontada como uma
das formas mais eficientes de garantir o aprendizado dos alunos”, o que permite que
o ensino seja otimizado para a necessidade do aluno e ele possa aprender o quanto
julgar suficiente. Neste contexto, os softwares, conseguem adaptar o conteúdo e
mostrar ao aluno somente informações relevantes a ele em determinado momento da
sua interação com o sistema.

Braga (2015) apresenta em sua dissertação uma proposta de pesquisa que visa
proporcionar uma melhoria no desenvolvimento do desempenho educacional em
salas de aula heterogêneas através de um Objeto de Aprendizagem Adaptativo
usando técnicas de Hipermídia Adaptativa e Inteligência Artificial. A autora procurou
investigar os aspectos da heterogeneidade de conhecimentos dos educandos e
propor um mecanismo de ensino e aprendizagem, para que o educador possa lidar
com os diferentes graus de conhecimento desses alunos em turmas iniciantes em seu
plano de ensino.

A partir das percepções dos alunos pesquisados, a adaptabilidade de um

objeto de aprendizagem pode melhorar a eficácia do processo de
aprendizagem em turmas heterogêneas, uma vez que estes objetos, se
adaptam às necessidades de aprendizagem, por meio da personalização do
conhecimento de cada educando. (BRAGA, 2015, p. 61).

A autora conclui que o uso de técnicas de IA melhora a eficácia dos objetos de

 90

aprendizagem, possibilitando que pessoas com diferentes objetivos, conhecimentos e

experiências utilizem um mesmo Objeto de Aprendizagem. As técnicas de inteligência
artificial possibilitam o desenvolvimento de métodos de software para aprender com a
experiência ou extrair conhecimentos dos exemplos em bancos de dados. Em síntese,
podemos afirmar que os objetos de aprendizagem adaptativos, utilizando técnicas de
IA, têm uma influência significativa no processo de ensino e aprendizagem,
possibilitando armazenar, reutilizar e recuperar dados personalizando o processo de
aprendizagem conforme o perfil do aluno.

Nascimento (2017) demonstra em sua pesquisa o desenvolvimento de uma

Rede Neural Artificial (RNA) com a função de reconhecer aspectos de Inteligências
Múltiplas para direcionar os alunos para conteúdos mais apropriados em ferramentas
de apoio ao ensino. A pesquisa foi aplicada em alunos de diversas universidades de
uma cidade do interior de São Paulo. Os testes foram conclusivos em apontar,
segundo Nascimento (2017, p. 69), que Redes Neurais Artificias (RNA) são
ferramentas adequadas para o reconhecimento de aspectos associados a
Inteligências Múltiplas. Concluiu-se que as RNA são adequadas para a classificação
de Inteligências Múltiplas, principalmente pelo fato de conseguirem se adaptar pelo
histórico de dados coletados em testes. A testagem utilizada classificou as seguintes
Inteligências Múltiplas:

1. A Inteligência Linguística;
2. A Inteligência Lógico-matemática;
3. A Inteligência Visual-Espacial;
4. A Inteligência Corporal-cinestésica.
Segundo o autor, as “outras inteligências não foram classificadas
primeiramente, pela limitação da ferramenta de apoio ao ensino que foi utilizada para
complementar os resultados das redes (NASCIMENTO, 2017. p. 43).”

Falci (2017) discorre em sua pesquisa soluções para o aperfeiçoamento do

ensino através das plataformas de ensino a distância. O trabalho fez uso de técnicas
de Inteligência Artificial, Lógica Fuzzy e Aprendizagem por Reforço a fim de detectar
automaticamente os Estilos de Aprendizagem de alunos simulados
computacionalmente. Um currículo personalizado poderia ser desenvolvido para cada
aluno de Plataformas de Ensino a Distância de acordo com as suas preferências de
aprendizagem.
 91

A junção de técnicas de Inteligência Artificial (IA) e teorias de aprendizagem

permitiram o desenvolvimento dos Sistemas de Tutoria Inteligentes (STIs).
Uma das técnicas mais utilizadas nestes sistemas é a customização
automática dos Objetos de Aprendizagem (OAs) de acordo com o perfil de
aprendizado do estudante. Neste contexto, grande atenção é voltada ao que
se denomina Estilo de Aprendizagem (EA) do aluno, que, basicamente, define
a forma preferencial como um estudante absorve, assimila, compreende, e
interpreta a informação que lhe é entregue. Assim, ao se determinar o EA de
um aluno, pode-se traçar um perfil de aprendizagem individual, possibilitando
adaptações necessárias dos conteúdos apresentados com objetivo de
maximizar a aprendizagem do estudante. (FALCI, 2017, p. 25).

O autor conclui que as simulações realizadas podem contribuir para a detecção

automática de estilos de aprendizagem, podendo ser discutida a possibilidade de
pesquisas futuras. De posse das técnicas de detecção automática de estilos de
aprendizagem e da categorização dos objetos de aprendizagem que condizem com
cada um desses estilos, uma plataforma de ensino a distância com conteúdo
adaptativo poderá ser implementada para efetivar todas as abordagens propostas
nesta investigação.

Os sistemas que se adaptam ao modelo de aprendizagem do aluno têm se

mostrado eficiente no contexto das novas ferramentas de IA visto que o software
consegue identificar, principalmente através do uso de todas as mídias (texto,
imagem, som, vídeo, entre outros), qual a forma que o aluno melhor se relaciona com
os conteúdos estudados. Sendo assim, o aluno passa a obter mais informações da
forma com que seja mais fácil e prazeroso para estudar.

Estes recursos já estão sendo utilizados em diversas universidades pelo país,

ou seja, as conclusões apresentadas nas pesquisas já são realidade para milhares de
alunos que estudam por meio desta tecnologia, e dessa forma, o ensino adaptativo
surge como estratégia de otimização do processo de aprendizagem, ajudando os
alunos na elaboração de percursos de aprendizagem por meio de recursos
tecnológicos. Além de a própria plataforma oferecer uma trilha de aprendizado
personalizada, ela também gera informações individuais e da turma para os
educadores que conseguem acompanhar em detalhes a evolução de seus alunos.

4.2.4 Eixo 4: Inteligência Artificial em outras aplicações

Por fim, apresentamos o último eixo que apresenta outras aplicações que foram
encontradas na pesquisa, tais como: o uso da IA como ferramenta de aprendizagem
 92

em um aspecto generalista e a utilização de jogos digitais inteligentes para facilitar o

aprendizado do aluno. Também encontramos pesquisas que tratam do pensamento
computacional e a programação como suporte no aprendizado e a utilização de
frameworks (códigos de programação pré-definidos para ampla utilização) para
gerenciar os cursos a distância.

Campos (2018) procura refletir sobre as modificações proporcionadas à

educação por meio da incorporação de programas digitais voltados a simulações
mecânicas de aspectos da inteligência humana. A pesquisa volta-se ao exame de
como a formação do pensamento é impactada pelo uso de tecnologias educacionais
que procuram automatizar tanto atividades intelectivas como parte do trabalho
docente. O trabalho discorreu sobre como está sendo proposta a adoção de
programas de inteligência artificial na educação.

Em tal contexto a inteligência algorítmica e artificial dos programas assume

boa parte da tarefa de ensino, podendo acompanhar e auxiliar os alunos nos
estudos em qualquer momento, de qualquer local em que eles estejam
conectados às plataformas digitais de educação. Desse modo o processo de
ensino e aprendizagem virtual não se prende mais a salas de aulas físicas
com localidades fixas, adequando-se perfeitamente ao processo de
flexibilização já em pleno funcionamento na economia neoliberal. (CAMPOS,
2018, p. 194).

Resende (2015) procura descobrir um sistema que seja capaz de encontrar

recursos educacionais em jogos digitais não educacionais, com o propósito de utilizá-
los no ensino, visto que muitos deles já são consagrados como forma de
entretenimento. A utilização de jogos digitais passa a ser observada, não só como
uma forma de entretenimento exclusivamente, mas também como um recurso
possivelmente educacional, com o objetivo de tornar o processo educativo mais
significativo para os estudantes.

Existem algumas técnicas de inteligência artificial que podem ser úteis na

aplicação de jogos digitais na educação. Inferência e sistemas especialistas
podem ser ferramentas importantes no mapeamento de jogos digitais, porém
é preciso entender como cada uma delas funciona. (RESENDE, 2015, p. 31).

Foi desenvolvido um sistema denominado SEREJ (Sistema Especialista de

Recursos Educacionais em Jogos) cujo objetivo é auxiliar professores a encontrar
jogos digitais que possam ser utilizados para ensinar assuntos de Geografia para o
 93

Ensino Fundamental, bem como possíveis formas de aplicação desses jogos digitais
no ensino. O autor conclui que a área de jogos digitais na educação possui uma série
de desafios, tais como: o nível de atenção dos alunos com relação a jogos digitais
educacionais, falta de conhecimento da área de jogos digitais por parte dos
professores e a falta de recursos tecnológicos disponíveis nas escolas. Os relatórios
educacionais gerados pelo SEREJ são relevantes e coerentes com relação às
características de gameplay dos jogos digitais selecionados e os conteúdos
educacionais de acordo com os PCN (Parâmetros Curriculares Nacionais) de
Geografia e, por fim, que os jogos digitais selecionados pelo SEREJ, em geral, são
aplicáveis à sala de aula.
Boucinha (2017) objetivou em sua tese investigar a relação entre a construção
do Pensamento Computacional e o desenvolvimento do raciocínio de estudantes dos
últimos anos do Ensino Fundamental. A prática de ensino-aprendizagem proposta foi
construída com base em pressupostos teóricos da aprendizagem significativa e
aprendizagem experiencial. Com essa pesquisa foi constatado que até mesmo
intervenções breves, como a utilizada nesta pesquisa, quando elaboradas com uma
metodologia adequada, podem produzir efeitos relevantes para seus participantes.
Outro dado relevante dessa pesquisa foi demonstrar a correlação existente entre o
Pensamento Computacional e os demais tipos de raciocínio, reforçando sua
importância no desenvolvimento cognitivo.
A análise dos resultados dos testes RV – Raciocínio Verbal, RA – Raciocínio
Abstrato, RM – Raciocínio Mecânico, RE – Raciocínio Espacial e RN – Raciocínio
Numérico demonstrou que houve um aumento na média em todos os testes, uma vez
que a pontuação no Teste de Pensamento Computacional foi significativamente
superior após a realização do curso, os resultados obtidos permitiram validar a
metodologia de ensino e inferir acerca dos possíveis benefícios que serão obtidos com
sua adoção nas salas de aula do Ensino Fundamental.
Palmeira (2018) propõe um estudo com o objetivo construir um jogo digital do
tipo “serious games” (jogos sérios com proposta de educação) com foco na
musicalização infantil, para ser utilizado como ferramenta de aprendizagem na
percepção dos timbres dos instrumentos. O jogo com o intuito de ajudar na
musicalização infantil, mostrando as diferenças dos timbres dos instrumentos e como
reconhecê-los sem a necessidade de saber o seu nome.
 94

A aplicação de inteligência artificial permitiu a construção de uma dificuldade

adaptativa que altera a dificuldade em tempo real de acordo com as
habilidades do jogador, adaptando o jogo ao modo como o jogador joga. Além
disso, permitiu também construir uma jogabilidade em que a música também
pudesse ser adaptativa e, desse modo, mais customizada ao modo como o
jogador joga aquela partida. (PALMEIRA, 2018, p. 76).

Concluímos que nessa pesquisa é possível observar que o jogo trouxe

benefícios aos alunos e eles apreciaram o tempo que ficaram jogando, bem como
notar que as crianças conseguiram absorver o conteúdo apresentado a elas. Contudo,
observamos também durante os testes que existe a necessidade de desenvolver
algumas melhorias para o jogo.

Gatti (2019) verificou, em sua dissertação, qual a incidência e assuntos tratados

pelos pesquisadores brasileiros na interface educação e inteligência artificial. As
pesquisas que serviram de base para este estudo revelaram a forte característica de
uso da IA na condição de ferramenta e não como objeto de estudo na educação
básica. A revisão de literatura aponta de forma geral que os estudos envolvendo IA e
educação tem certa regularidade, afinal, observamos a frequência de produções
acadêmicas em um intervalo razoável de tempo. A revisão de literatura apontou de
forma geral que os estudos envolvendo IA e educação, embora em número não tão
expressivo, tem certa regularidade de publicação.

Lucena (2018) apresenta o desenvolvimento de um framework (reusabilidade

de códigos de programas) inteligente, denominado iDE (intelligence for Distance
Education), que combina técnicas de Inteligência Artificial, como Raciocínio Baseado
em Casos (CBR) e Sistemas Multiagentes, com informações provenientes de um LMS
(Learning Management System) e opiniões de especialistas, para recuperar e sugerir
soluções baseadas em circunstâncias antigas e semelhantes.

O uso individual e a combinação de informações provenientes do tratamento

de dados por diferentes técnicas de IA, para recuperação dos conhecimentos
tácito e explícito, pode viabilizar soluções relevantes para problemas distintos
no contexto da educação a distância. (LUCENA, 2018, p. 22).

Os resultados das avaliações das soluções apontam para um desempenho

positivo do framework, visto que as respostas apresentadas foram consideradas
relevantes e passíveis de aplicação no gerenciamento de cursos a distância. As
tarefas de recuperação, tratamento e retenção do conhecimento também foram
 95

viabilizadas a partir do uso das funcionalidades oferecidas pela interface com o

usuário, sendo que o grau de agregação do conhecimento consistiu em um item bem
avaliado pelos entrevistados nos testes.

Podemos observar que a Inteligência Artificial oferece uma ampla gama de

possibilidades que podem auxiliar no processo de ensino e aprendizagem dos alunos
e oferecer suporte aos professores e educadores. A gamificação como metodologia
de ensino tem sido largamente difundida, principalmente aqueles que são dotados de
IA e que podem recompensar o aluno conforme o seu desempenho nas atividades.
Também merece destaque as ferramentas que ajudam os educadores a otimizar a
procura e a confecção de matérias de estudo que serão aplicados em sala de aula ou
implementados em AVA.

Desse modo, conseguimos visualizar todas as perspectivas das pesquisas

analisadas e sintetizamos quais as principais ideias de cada autor, suas conclusões
e, por fim, a investigamos cada uma das temáticas para lançarmos um olhar global
sobre os assuntos mais relevantes para esta pesquisa.

4.3 UM OLHAR GLOBAL SOBRE AS PESQUISAS ANALISADAS

A maneira de fornecer ensino está mudando a passos largos e em 2021, a

educação a distância está bastante desenvolvida utilizando ferramentas, como
videochamadas de alta qualidade e plataformas de aprendizado on-line bem
projetadas. Aplicando Inteligência Artificial, é possível criar programas de computação
precisos para que estudantes e professores sejam mais produtivos. Conforme
verificamos nas teses e dissertações, há uma grande quantidade de pesquisas que
tratam especificamente de Sistemas de Tutores Inteligentes (STI) e que procuram
demonstrar como a tecnologia está atuando em todos os níveis de educação,
auxiliando alunos e professores a melhorarem o desempenho no processo de ensino
e aprendizagem. Estes STI já estão presentes em várias universidades brasileiras
sendo amplamente utilizada no ensino a distância. Dentre esses sistemas,
sobressaem-se os que apresentam em sua funcionalidade o ensino adaptativo que
molda a aprendizagem do aluno conforme suas características e aptidões. Estes
softwares dotados de IA conseguem armazenar um grande número de dados (big
data) que podem ser classificados e utilizados por professores e educadores para o
melhor desenvolvimento de materiais e conteúdos para os alunos. Também pode
 96

gerar informações relativas a desempenho de um aluno, ou de uma classe, ou de uma

escola, ou até mesmo por região do país. Alguns destes programas foram criados
especificamente para conduzir o aprendizado de forma assíncrona possibilitando que
o aluno acesse seu conteúdo quando achar mais conveniente e de forma síncrona
através de chatterbots respondendo dúvidas e sugerindo formas de estudo. Os
chatterbots encontrados nesta geração podem não só fornecer informações, como
também sugerir conteúdos, materiais e tirar dúvidas relativas a tópicos de disciplina.

Existem STI voltados para correção de atividades, sejam elas questões

fechadas como provas e exercícios, como questões abertas como um fórum de
discussão ou uma redação. Esse tipo de STI utiliza algorítmos poderosíssimos para
compreender e sugerir ajustes nos textos elaborados pelos alunos. É claro que a
supervisão e o acompanhamento destas correções deverá passar pelo crivo de um
tutor ou professor.

Há também a tecnologia de IA voltada para a gamificação e quizzes que

trabalham com a motivação dos usuários fazendo com que o estudo se torne mais
prazeroso. Através de trilhas de aprendizagem, no qual o programa pode, ou não,
oferecer recompensas ao aluno, conforme o avanço de seus estudos ele poderá se
sentir mais motivado a continuar, sempre procurando melhorar seu desempenho
(como acontece no videogame).

Já os sistemas de IA utilizados em Ambientes Virtuais de Aprendizagem

podem, por intermédio de ferramentas, monitorar todo o desenvolvimento do aluno e
procurar indícios que podem determinar a desistência ou permanência do aluno
matriculado no curso. A ferramenta possui funcionalidades que visam facilitar o
acompanhamento e a interação do tutor ou professor com seus alunos, informando o
comportamento do aluno dentro do ambiente, além de possibilitar o agrupamento
deles de acordo com suas características e a criação de um modelo de classificação
para ajudar na identificação de estudantes com dificuldades.

Esse agrupamento sugerido pelos AVA ou pelos STI vem de acordo com mais
uma possibilidade da IA na educação: o ensino adaptativo, ou seja, o sistema tende a
adaptar-se ao estilo de aprendizagem do aluno, oferecendo os conteúdos de forma
que ele consiga assimilar da melhor forma possível. É importante salientar que um
bom programa não deve se limitar a indicar apenas o conteúdo que o aluno tenha
mais afinidade, é preciso que o sistema indique novos caminhos para aqueles
 97

conteúdos que ele tem mais dificuldade. O ensino adaptativo pode adotar também
materiais e conteúdos conforme o tipo de aprendizagem do aluno, por exemplo,
disponibilizando mais materiais em vídeo ou imagens para aqueles que tem mais
facilidade com este tipo de mídia ou apenas textos para quem consegue assimilar
melhor com leituras, músicas ou podcasts para aqueles que preferem ouvir os
conteúdos.

Vimos que todas as pesquisas analisadas colocam a IA como coadjuvante no

processo de ensino e aprendizagem e que a tecnologia além de custosa, ainda não
possui grandes referências de sucesso em suas aplicações. O estudo sobre IA na
educação aplicam-se majotariamente no ensino superior com 15 investigações, em
seguida pelo ensino fundamental com sete pesquisas e em menor número no ensino
médio com quatro análises. Destacamos ainda que cinco pesquisas que não tinham
foco específico em determinado nível de ensino sendo apresentado de forma genérica
cabendo em todos os níveis. Também chamou a atenção que grande parte das teses
e dissertações analisadas foram desenvolvidas pela área da Ciência da Computação,
seguidos por Engenharias e Educação.
 98

5 CONSIDERAÇÕES FINAIS

Ao finalizar esta dissertação analisamos pesquisas, apresentadas entre 2015 e

2020, que investigam sobre a Inteligência Artificial e suas relações com o processo de
ensino e aprendizagem nas diferentes temáticas que a tecnologia pode oferecer.
Procuramos analisar e discutir as pesquisas realizadas sobre a adoção de programas
de inteligência artificial na educação abordando as principais ferramentas que podem
ser utilizadas no processo de ensino e aprendizagem. Inicialmente buscamos
descrever conceitos e teorias a respeito da Inteligência Artificial e seu percurso
histórico desde a sua concepção até os dias atuais.

Em um segundo momento, apresentamos os movimentos em direção à

implementação de IA na educação na visão de importantes centros de pesquisa
mundiais, como a UNESCO, Pearson, Christensen Institute e Confederação Nacional
da Indústria (estudo capitaneado por Roa Maria Vicari – principais nomes da IA na
educação no Brasil). Analisamos as principais referências sobre tecnologia na
educação nos PCN, PCN+ e BNCC, documentos denota e ressalta a inclusão de
ferramentas tecnológicas no ambiente educacional, e ainda, de forma bem aligeirada,
utiliza-se do termo Inteligência Artificial. Há menção sobre máquinas inteligentes no
PCN+, porém não indicando a possibilidade de trazer esta ferramenta para as salas
de aula. Fala-se em programação e linguagens e a demanda de novos requisitos para
que o aluno possa estar inserido no contexto atual de trabalho. Das diversas
competências que os alunos deverão desenvolver para se adequaremà nova realidade
repleta de IA, destacamos:

 Buscar dados e informações de forma crítica nas diferentes Mídias;

 Apropriar-se das linguagens da cultura digital;
 Usar ferramentas e aplicativos para compreender e produzir conteúdos em
diversas Mídias;
 Utilizar, propor e/ou implementar soluções envolvendo diferentes
tecnologias, para identificar, analisar, modelar e solucionar problemas complexos em
diversas áreas da vida cotidiana, explorando de forma efetiva o raciocínio lógico, o
pensamento computacional, o espírito de investigação e a criatividade.
Nesse sentido, constatamos que a IA pode se tornar um importante suporte ao
 99

processo de ensino e aprendizagem, elevando o nível de ensino e facilitando a rotina

do professor, no entanto, salientamos que o professor continua sendo parte essencial
em todo o processo de formação do aluno.

A análise mostrou como e quando a aprendizagem pode ocorrer, como o uso

da IA, especialmente fornecendo subsídios para melhorar as práticas educacionais,
as quais destacamos:

 Sistemas de Tutores Inteligentes (STI) – softwares programados para ajudar

alunos a encontrar a melhor e mais eficiente forma de aprender;
 Automação de atividades do professor – sistemas capazes de instruir o aluno
para elaborar atividades; programas que efetuam correções de atividades e marcam
a frequência do aluno;
 Aprendizagem colaborativa – um software que seleciona alunos que tenham
a mesma afinidade ou afinidades complementares para que uma tarefa seja efetivada
corretamente; ou com a ajuda de um “avatar” amigo que ensina e aprende conforme
a evolução do aluno;
 Ambientes Virtuais de Aprendizagem inteligentes – o programa observa
através da navegação do aluno pelo ambiente e pode detectar sinais de cansaço,
motivação, dificuldades e até mesmo a possibilidade de evasão;
 Gamificação e aprendizado por recompensas – jogos (serious games) podem
ser implementados para motivar o aluno pois trazem uma jornada com um objetivo
final na qual a aprendizagem de algum conteúdo esteja vinculada;
 Companheiros ou colegas virtuais – está sempre junto ao aluno procurando
tirar suas dúvidas e motivar para que ele consiga alcançar sua meta;
 Avaliações - aquelas que são orientadas pela IA podem ser incorporadas a
atividades de aprendizagem significativas permitindo avaliar todo o aprendizado que
acontece e como acontece.

E, por fim, esta pesquisa que desenvolvemos por meio da Revisão Sistemática
de Literatura, proporcionou conhecer e analisar estudos acadêmicos que tratam
tecnologia no processo educativo. O estudo percorreu por teses, dissertações e
artigos, demonstrando como a IA está sendo utilizada nas escolas e universidades,
mas principalmente como poderão ser incorporadas no processo de ensino e
aprendizagem. Os estudos datados de 2015 a 2020 retratam como a academia
 100

enxerga as diversas possibilidades de uso da tecnologia desde os anos iniciais de

estudo (ensino fundamental) até o nível superior. As principais análises destes
estudos procuraram, em sua maioria, tratar especificamente de Sistemas de Tutores
Inteligentes (STI) e como esta ferramenta está atuando e pode atuar em todos os
níveis de educação, auxiliando alunos e professores a melhorar o desempenho no
processo de ensino e aprendizagem. Vimos que os STI de ensino adaptativo moldam
a aprendizagem do aluno conforme suas características e aptidões. Discutimos
também a tecnologia sendo utilizada para gamificação e quizzes que trabalham com
a motivação dos usuários e também os Ambientes Virtuais de Aprendizagem (AVA)
inteligentes que, por meio de algoritmos, monitoram o desenvolvimento do aluno e
podem até determinar uma iminente desistência. As pesquisas analisadas colocam a
IA como coadjuvante no processo de ensino e aprendizagem e o professor continua
sendo a máquina motriz desta engrenagem. Embora ainda necessite de
aprimoramento e investimento nesta área de IA, podemos apontar alguns benefícios
que se destacam como possibilidades para a área de ensino para:

 Alunos: por meio de ensino adaptativo, gamificação, realidade virtual e todos

os meios tratados nesta pesquisa;
 Professores: podem se beneficiar não só pela automação de rotinas, mas
também fazendo o uso da IA para elaboração de material específico para determinado
público e podendo se capacitar/atualizar por meio de softwares de IA próprio para
educadores;
 Gestores institucionais: poderão usufruir das informações geradas pelos
softwares de IA e implementar medidas pontuais para alunos, grupos de alunos,
professores e até mesmo na instituição toda;
 Governos: as secretarias de educação estarão sempre atualizadas em tempo
real sobre tudo que acontece nas escolas a respeito de níveis de aprendizado e de
eficiência educativa, poderão, sempre que precisar, intervir no processo de
aprendizagem para que se mantenha eficaz.
Devido às incertezas neste mundo repleto de IA, as pesquisas também
demonstraram outras perspectivas em relação ao uso da tecnologia na
educação.Podemos destacar:

 Falta de investimentos em estudos e pesquisas para implementação de IA

nas escolas principalmente em países em desenvolvimento. Nações ainda pecam pela
 101

escassez de modelos eficientes de educação, seja pela falta de infraestrutura ou ainda

por vontade política de seus gestores;
 Manter um desenvolvimento sustentável de infraestrutura capaz de
disponibilizar IA para todos é uma tarefa extremamente difícil, pois demanda atenção
de todos que compõem a cadeia de ensino e aprendizagem. Além de todos os atores
do processo é preciso ainda muito dinheiro, pois a implementação de uma rede de IA
é excessivamente custosa;
 A ética na IA precisa de atenção – aspectos como responsabilidade,
transparência, auditabilidade, incorruptibilidade e previsibilidade devem ser discutidos
e quais são as obrigações éticas de instituições públicas (governos, universidades e
escolas envolvidas com a temática) e privadas (provedores de tecnologia) referentes
IA na educação;
 Diferenças sociais que podem segregar ainda mais aqueles que têm acesso
a tecnologia daqueles que não têm a mesma oportunidade. Sabemos que aqueles que
possuem acesso à tecnologia, às melhores escolas, materiais e professores terão mais
oportunidades de inserção no mercado em detrimento daqueles que não possuem e
não estão inseridos neste ambiente educacional;
 Capacitação do professor diante da IA: o educador poderá usufruir das
ferramentas de IA e utilizá-las em seu benefício da mesma forma com que os alunos
dispõem da tecnologia, ou seja, aprendendo de forma contínua sobre novas formas de
utilizar a tecnologia, novas metodologias de ensino e, assim poder inovar em sala de
aula;
 Atualização do currículo voltado para o mundo digital e alimentado por IA:
competência digital necessária para professores e alunos;
 Avaliações: a IA pode oferecer recursos de automatização dos processos de
avaliação que podem ser baseados em testes tradicionais ou utilizar técnicas de
análise multimodal, que consideram diferentes fontes, como dados comportamentais,
de atividades e performance no ambiente educacional, emoções, interação com outros
estudantes e com o professor;
 Tornar significativas as pesquisas sobre IA na educação com a criação de
laboratórios de análise, aumento dos incentivos para pesquisadores e o
desenvolvimento de programas de IA nos níveis de bacharelado, mestrado e
doutorado.
 102

Cabe, portanto, ressaltar que a IA demandará o desenvolvimento de novas

competências profissionais e de estilo de vida, fato este que nos instigou a conhecer
os benefícios e os desafios em relação à IA na Educação. Evidentemente, a IA na
Educação requer muita pesquisa em diversas áreas do conhecimento, pois para
ensinar a máquina precisa aprender (ser inteligente), ou seja, é necessário que o ser
humano amplie a dimensão da sua própria aprendizagem. E, para isto, o papel da
escola em todos os níveis precisa ser repensado, valorizando os elementos da
inteligência cognitiva, afetiva, social e da solidariedade humana.

Esperamos que, para pesquisas futuras, a Inteligência Artificial possa caminhar

ao lado do ensino sempre procurando o melhor para os seus beneficiários: o professor
e o aluno. Portanto, esta pesquisa poderá servir de base para novas análises, na qual
é possível avaliar em várias instituições do país como a IA vem sendo utilizada e
progredindo para ajudar os educadores a melhorarem a educação de forma geral.
 103

REFERÊNCIAS

ALMEIDA, Maria Elizabeth Bianconcini de. Educação a distância na internet:

abordagens e contribuições dos ambientes digitais de aprendizagem. Educação e
Pesquisa, v. 29, n. 2, p. 327-340, 2003. Disponível em:
https://www.scielo.br/scielo.php?pid=s1517-
97022003000200010&script=sci_abstract&tlng=pt. Acesso em: 10 dez. 2020.

ALEXE, Anca. Worldwide spending on artificial intelligence systems to approach

USD 98 billion in 2023, IDC finds. Business Review, 6 set. 2019. Disponível em:
https://business-review.eu/tech/worldwide-spending-on-artificial-intelligence-systems-
to-approach-usd-98-billion-in-2023-idc-finds-204490. Acesso em: 13 abr. 2020.

ALTMAN, Max. Hoje na História: 1996 - Kasparov derrota o computador Deep Blue
da IBM. Opera Mundi. São Paulo, 17 fev. 2020. Disponível em:
https://operamundi.uol.com.br/hoje-na-historia/9727/hoje-na-historia-1996-kasparov-
derrota-o-computador-deep-blue-da-ibm. Acesso em: 13 abr. 2020.

ARNETT, Thomas. Teaching in the machine age: How innovation can make bad
teachers good and good teachers better. Christensen Insitute, [S. l.], p. 1-28, 7 dez.
2016. Disponível em: https://www.christenseninstitute.org/wp-
content/uploads/2017/03/Teaching-in-the-machine-age.pdf. Acesso em: 13 abr.
2020.

ARTIFICIAL Intelligence in Education: Challenges and Opportunities for Sustainable

Development. UNESCO – United Nations Educational, Scientific and Cultural
Organization, 2019. Disponível em:
http://repositorio.minedu.gob.pe/bitstream/handle/20.500.12799/6533/Artificial%20int
elligence%20in%20education%20challenges%20and%20opportunities%20for%20su
stainable%20development.pdf?sequence=1&isAllowed=y. Acesso em: 13 abr. 2020.

BITTENCOURT, William Nunes. A utilização do tutor inteligente MAZK no

processo de ensino-aprendizagem. 2018. 135 p. Dissertação (Pós-graduação em
Tecnologias da Informação e Comunicação) - Universidade Federal de Santa
Catarina, Araranguá, 2018. Disponível em:
https://repositorio.ufsc.br/handle/123456789/193343. Acesso em: 25 fev. 2020.

BLIKSTEIN, Paulo. O pensamento computacional e a reinvenção do

computador na Educação. 2008. Disponível em:
http://www.blikstein.com/paulo/documents/online/ol_pensamento_computacional.htm
l. Acesso em: 5 jul. 2020.

BOUCINHA, Rafael Marimon. Aprendizagem do pensamento computacional e

desenvolvimento do raciocínio. 2017. 151 f. Tese (Programa de Pós-Graduação
em Informática na Educação) - Universidade Federal do Rio Grande do Sul, Porto
Alegre [S. l.], 2017. Disponível em: https://lume.ufrgs.br/handle/10183/172300.
Acesso em: 23 fev. 2020.

BRAGA, Olivia Ramos Morais. Objeto de aprendizagem adaptativo no ensino da

Lógica Booleana. 2015. 93 f. Dissertação (Mestrado em Engenharia Elétrica e
 104

Computação) - Universidade Presbiteriana Mackenzie, São Paulo, 2015. Disponível

em: http://tede.mackenzie.br/jspui/handle/tede/1466. Acesso em: 22 fev. 2020.

BRASIL. Parâmetros Nacionais Curriculares (PCNs). Introdução. Ensino Médio.

Brasília: MEC, 2000.

BRASIL. Orientações Educacionais e Complementares aos Parâmetros

Nacionais Curriculares (PCN+). Linguagens, códigos e suas tecnologias. Brasília:
MEC, 2002.

BRASIL. Base Nacional Comum Curricular (BNCC). As Tecnologias Digitais e a

Computação. Brasília: MEC, 2018.

CAMPOS, Luis Fernando Altenfelder de Arruda. Inteligência Artificial e

instrumentalização digital no ensino: a semiformação na era da automatização
computacional. 2018. 208 f. Tese (Programa de Pós-Graduação em Educação
Escolar) - Universidade Estadual Paulista "Júlio de Mesquita Filho", Araraquara,
2018. Disponível em: https://repositorio.unesp.br/handle/11449/157281. Acesso em:
25 fev. 2020.

CAVALCANTE, Tarcísio Ferreira. Avaliação do uso de modelagem qualitativa

com apoio de agentes aprendizes virtuais na compreensão da dinâmica de
sistemas por alunos do ensino fundamental. 2015. 181 f. Dissertação (Mestrado
Profissional em Ensino de Ciências) - Universidade de Brasília, Brasília, 2015.
Disponível em: https://repositorio.unb.br/handle/10482/20306. Acesso em: 5 mar.
2020.

CENTRO DE INOVAÇÃO PARA A EDUCAÇÃO BRASILEIRA. Inteligência artificial

na educação. Nota Técnica 16, 30 out. 2019. Disponível em: https://cieb.net.br/wp-
content/uploads/2019/11/CIEB_Nota_Tecnica16_nov_2019_digital.pdf. Acesso em:
13 abr. 2020.

FALCI, Samuel Henrique. Novas Abordagens Para Detecção Automática de

Estilos de Aprendizagem. 2017. 82 p. Dissertação (Programa de Pós-Graduação
em Educação) - Universidade Federal dos Vales do Jequitinhonha e Mucuri,
Diamantina, 2017. Disponível em: http://acervo.ufvjm.edu.br/jspui/handle/1/1657.
Acesso em: 24 fev. 2020.

FELIZARDO, Katia Romero et al. Revisão sistemática da literatura em

engenharia de software: teoria e prática. Rio de Janeiro: Elsevier, 2017.

FERREIRA, Victor Afonso dos Santos. Um modelo de recomendação de recursos

educacionais baseado em aprendizagem de máquina para autorregulação da
aprendizagem. 2018. 88 f. Dissertação (Pós-Graduação em Ciências da
Computação) - Universidade Federal de Pernambuco, Recife, 2019. Disponível em:
https://repositorio.ufpe.br/handle/123456789/34472. Acesso em: 27 fev. 2020.

FERREIRA, Luisa. Big Data leva o ensino personalizado a mais alunos. São
Paulo: Porvir, 2014. Disponível em: http://porvir.org/porpensar/big-data-leva-ensino-
personalizado-mais-alunos/20140417. Acesso em: 15 dez. 2020.

FONSECA, João José Saraiva. Metodologia da pesquisa científica. Fortaleza:

 105

UEC, 2002.

FREIRE, Fernanda Maria Pereira; PRADO, Maria Elisabette B. O computador em

sala de aula: articulando saberes. Campinas: NIED-UNICAMP, 2000.

GATTI, Francielle Nogueira. Educação básica e inteligência artificial:

perspectivas, contribuições e desafios. 2019. 90 p. Dissertação (Mestrado em
Educação: Currículo) - Pontifícia Universidade Católica de São Paulo, São Paulo,
2019. Disponível em: https://tede2.pucsp.br/handle/handle/22788. Acesso em: 27
fev. 2020.

GIL, Antônio Carlos. Como elaborar projetos de pesquisa. São Paulo: Editora
Atlas, 2002.

GOVERNMENT Artificial Intelligence Readiness Index 2019. Oxford Insights, 2019.

Disponível em: https://www.oxfordinsights.com/ai-readiness2019. Acesso em: 13 abr.
2020.

HERPICH, Fabrício. Intelligent Agent adaptive to the Level of Expertise of

Students. 2015. 196 f. Dissertação (Mestrado - Programa de pós-graduação em
Informática) - Universidade Federal de Santa Maria, Santa Maria, 2015. Disponível
em: https://repositorio.ufsm.br/handle/1/15250. Acesso em: 20 fev. 2020.

JAQUES, Patricia et al. Evaluating a Cognitive-Based Affective Student Model. In:

D’MELLO, Sidney; GRAESSER, Arthur; SCHULLER, Bjoern; MARTIN, Jean-Claude.
(eds) Affective Computing and Intelligent Interaction. ACII 2011. Lecture Notes in
Computer Science, v. 6974. Springer, Berlin, Heidelberg.

KENSKI, Vani Moreira. Tecnologias e ensino presencial e a distância. Campinas,

SP: Papirus, 2003.

LIMA, Carlos Eduardo Teixeira. Um Chatterbot para criação e desenvolvimento

de ontologias com lógica de descrição. 2017. 101 f. Dissertação (Programa de
Pós-graduação em Ciência da Computação) - Universidade Federal de Pernambuco,
Recife, 2017. Disponível em: https://repositorio.ufpe.br/handle/123456789/25236.
Acesso em: 25 fev. 2020.

LIMA, Walter Teixeira. Jornalismo Computacional em função da Era do Big Data.

SBPJor – Associação Brasileira de Pesquisadores em Jornalismo. In: 9º Encontro
Nacional de Pesquisadores em Jornalismo. Rio de Janeiro: Universidade Federal
do Rio de Janeiro, 2011.

LUCENA, Ketlen Karine Teles. IDE – um framework para suporte ao

gerenciamento de cursos em Educação a Distância. 2018. 189 f. Tese (Pós-
Graduação em Informática) - Universidade Federal do Amazonas, Manaus, 2018.
Disponível em: https://tede.ufam.edu.br/handle/tede/6918. Acesso em: 26 fev. 2020.

LUGER, George F. Inteligência Artificial. 6. ed. São Paulo: Pearson Education do

Brasil, 2013.

LUCKIN, Rose et al. Intelligence Unleashed. An argument for AI in Education.

London: Pearson, 2016.
 106

MARCONI, Maria Andrade; LAKATOS, Eva Maria. Técnicas de Pesquisa. São

Paulo: Editora Atlas, 2008.

MCDERMOTT, John. R1: A rule-based configurer of computer systems. AIJ, v. 19, n.

1, p. 39–88, 1982.

MORAIS, Alana Marques de. Abordagem Avaliativa Multidimensional para

Previsão da Evasão do Discente em Cursos Online. 2018. 158 f. Tese (Curso de
Pós-Graduação em Ciência da Computação) - Universidade Federal de Campina
Grande, Campina Grande, 2018. Disponível em:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/1711. Acesso em: 25 fev. 2020.

MOREIRA, Maria Isabel Giusti. Um Modelo de Sistema AVA-SMA orientado à

Legislação. 2017. 142 f. Tese (Programa de Pos-Graduacão em Computacão) -
Universidade Federal do Rio Grande do Sul, Porto Alegre, 2017. Disponível em:
https://lume.ufrgs.br/handle/10183/171382. Acesso em: 24 fev. 2020.

NASCIMENTO, Eduardo de Paula Lima. A utilização de redes neurais artificiais e

teoria das inteligências múltiplas no apoio ao ensino. 2017. 77 f. Dissertação
(Programa de Pós-Graduação em Ciência da Computação) - Instituto de Biociências,
Letras e Ciências Exatas da Universidade Estadual Paulista “Júlio de Mesquita Filho,
São José do Rio Preto, 2017. Disponível em:
https://repositorio.unesp.br/handle/11449/150537. Acesso em: 23 fev. 2020.

NEGROPONTE, Nicholas. Vida digital. São Paulo: Companhia das Letras, 1995.

PAIVA, Ranilson Oscar Araújo. Autoria de decisões pedagógicas informadas por

dados sob a perspectiva de um MOOC. 2017. 258 p. Tese (Curso de Pós-
Graduação em Ciência da Computação) - Universidade Federal de Campina
Grande, Campina Grande, 2017. Disponível em:
http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/870. Acesso em: 24 fev. 2020.

PALMEIRA, Felipe Cabrini Alves. Jogo digital com realidade aumentada e

inteligência artificial aplicado ao contexto de musicalização infantil com foco
na percepção de musical. 2018. 97 f. Dissertação (Programa de Pós-Graduação
em Engenharia Elétrica e Computação) - Universidade Presbiteriana Mackenzie, São
Paulo, 2018. Disponível em: http://tede.mackenzie.br/jspui/handle/tede/3726. Acesso
em: 25 fev. 2020.

PAPERT, Seymour. Logo: computadores e educação. São Paulo: Editora

Brasiliense, 1985.

PERRIER, Gerlane Romão Fonseca. Integração das tecnologias digitais de

informação e comunicação em cursos de natureza agrotécnica por meio de
metodologias ativas. 2019. 457 f. Tese (Doutorado em Educação: Currículo) -
Pontifícia Universidade Católica PUC-SP, São Paulo, 2019. Disponível em:
https://tede2.pucsp.br/handle/handle/22054. Acesso em: 4 mar. 2020.

PONTES, Roberto. Inteligência Artificial nos investimentos: adaptação,

aprendizado e otimização. Rio de Janeiro: Editora Clube dos Autores, 2011.

POZZEBON, Eliane. Um modelo para suporte ao aprendizado em grupo em

 107

sistemas tutores inteligentes. 2008. 157p. Florianópolis. Tese (Doutorado em

Engenharia Elétrica) – Universidade Federal de Santa Catarina, 2008. Disponível
em: https://repositorio.ufsc.br/xmlui/handle/123456789/91924. Acesso em: 13 abr.
2020.

POZZEBON, Eliane. Tutor Inteligente Adaptável Conforme as Preferências do

Aprendiz. 2003. 114p. Dissertação (Mestrado em Ciência da Computação) —
Universidade Federal de Santa Catarina, 2003.
https://repositorio.ufsc.br/xmlui/handle/123456789/86269. Acesso em: 13 abr. 2020.

PRADO, Maria Elisabette Brisola Brito et al. Pensamento computacional e atividade

de programação: perspectivas para o ensino da matemática. Revista Sergipana de
Matemática e Educação Matemática, v. 5, n. 2, p. 195-208, 2020.

RAMOS, Altina; FARIA, Paulo; FARIA, Ádila. Revisão Sistemática de Literatura:

Contributo para a inovação na investigação em Ciências da Educação. Revista
Diálogo Educacional. Paraná, v. 14, n. 41, 2014. 20 p. Disponível em:
https://periodicos.pucpr.br/index.php/dialogoeducacional/article/view/2269/2185.
Acesso em: 8 mai. 2019.

RESENDE, Robson de Souza. Sistema especialista para auxílio na utilização de

jogos não educacionais no processo de aprendizagem. 2015. 117 f. Dissertação
(Programa de pós-graduação Strictu Sensu em Engenharia Elétrica) - Universidade
Presbiteriana Mackenzie, São Paulo, 2015. Disponível em:
http://tede.mackenzie.br/jspui/handle/tede/1455. Acesso em: 20 fev. 2020.

RIBEIRO, Ronaldo. Uma Introdução à Inteligência Computacional: Fundamentos,

Ferramentas e Aplicações. Rio de Janeiro: IST-Rio, 2010.

RUSSEL, Stuart; NORVIG, Peter. Inteligência Artificial. Rio de Janeiro: Elsevier,

2013.

SAMPAIO, Rosana Ferreira; MANCINI, Marisa Cotta. Estudos de revisão

sistemática: um guia para síntese criteriosa da evidência científica. Revista
brasileira de fisioterapia, São Carlos, v. 11, n. 1, p. 83-89, fev. 2007. Disponível
em: http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1413-
35552007000100013&lng=en&nrm=iso. Acesso em: 4 mar. 2020.

SANT’ANNA, Dilmeire Ramos Vosgerau; ROMANOWSKI, Joana Paulin. Estudos de

revisão: implicações conceituais e metodológicas. Revista Diálogo Educacional,
[S.l.], v. 14, n. 41, p. 165-189, jul. 2014. ISSN 1981-416X. Disponível em:
https://periodicos.pucpr.br/index.php/dialogoeducacional/article/view/2317/2233.
Acesso em: 05 mar. 2020.

SEFFRIN, Henrique Manfron. Avaliando o conhecimento algébrico do estudante

através de redes bayesianas dinâmicas: um estudo de caso com o sistema tutor
inteligente PAT2Math. 2015. 130 p. Dissertação (Mestrado em Computação) -
Universidade do Vale do Rio dos Sinos - UNISINOS, São Leopoldo, 2015. Disponível
em: http://www.repositorio.jesuita.org.br/handle/UNISINOS/3793. Acesso em: 5 mar.
2020.

SILVA, Maria da Graça Moreira da; GONSALES, Priscila. Possibilidades de IA na

 108

educação. São Paulo: IBM, 2018. Disponível em:

https://www.ibm.com/ibm/responsibility/br-pt/downloads/e-book-IA-na-educacao.pdf.
Acesso em: 10 abr. 2020.

SKINNER, Burrhus Frederic. Tecnologia do ensino. São Paulo: EPU-EDUSP,

1972.

SMOLENSKY, Paul. On the proper treatment of connectionism. Behavioral And

Brain Sciences, v. 2, p. 1–74, 1988.

SOUZA, Marcelo Cunha de. Framework para sistema tutor adaptativo ao

raciocínio crítico em contabilidade - STARCC. 2019. 164 p. Tese (Programa de
Pós-Graduação em Controladoria e Contabilidade) - Universidade de São Paulo,
São Paulo, 2019. Disponível em: https://teses.usp.br/teses/disponiveis/12/12136/tde-
22082019-160042/pt-br.php. Acesso em: 27 fev. 2020.

TEIXEIRA, João de Fernandes. Inteligência artificial. São Paulo: Paulus, 2009

VALENTE, José Armando. O professor na ambiente Logo – formação e atuação.

Campinas (SP): NIED-UNICAMP, 1996.

VICCARI, Rosa Maria. Um tutor inteligente para a programação em lógica:

idealização, projecto e desenvolvimento. Coimbra, 1989.

WING, Jeanette Marie. Computational thinking Common. ACM, v. 49, n. 3, p. 33–35,

2006.

WOOLF, Beverly Park. Building intelligent interactive tutors. San Francisco, CA:
Morgan Kaufmann, 2008. v. 3.