Uma Plataforma Educacional Abrangente baseada em Inteligência Artificial Generativa

Summary

Utilizando inteligência artificial generativa (IAG) para suporte ao ensino, a plataforma oferece experiências de aprendizagem personalizadas adaptáveis às diversas necessidades dos usuários. Também fornece abundantes abordagens práticas de aprendizagem que não apenas enriquecem o processo de aprendizagem, mas também fomentam competências de aprendizagem ao longo da vida na era digital, alinhando-se com os objetivos de desenvolvimento sustentável na educação em engenharia.

Abstract

```html

A Inteligência Artificial Generativa (IAG) testemunhou progresso significativo nos últimos anos, demonstrando potencial transformador para a educação ao permitir a criação dinâmica de conteúdo e percursos de aprendizagem personalizados. No entanto, muitas plataformas educacionais existentes dependem de conteúdo estático e percursos fixos, carecendo da arquitetura integrada necessária para aproveitar totalmente as capacidades da IAG para criar experiências de aprendizagem coesas e adaptativas. Para abordar esta lacuna, este estudo detalha o design, implementação e avaliação empírica de uma plataforma educacional nova e abrangente construída sobre IAG. A plataforma baseia-se numa arquitetura de três camadas que transcende os modelos tradicionais: uma Camada Técnica Básica integrando modelos de IA modulares (por exemplo, Transformer, CNN-BiLSTM baseada em atenção), um Centro de Processamento para síntese de dados em tempo real e otimização de modelos, e uma Camada de Aplicação e Interação que abriga oito módulos funcionais principais, incluindo aprendizagem personalizada, Q&A inteligente e avaliação de competências. Esta arquitetura integrada facilita uma experiência de aprendizagem dinamicamente personalizável que se adapta continuamente às necessidades e progresso dos alunos individuais. Para avaliar a eficácia da plataforma, realizámos um ensaio controlado randomizado (ECR) envolvendo 50 estudantes de graduação e 20 educadores ao longo de dois semestres, comparando os resultados com um grupo de controlo que utiliza métodos tradicionais. Os resultados experimentais demonstram que a plataforma proposta melhora significativamente os resultados de aprendizagem, aumenta os indicadores de engajamento dos alunos (por exemplo, tempo de dedicação à tarefa e taxas de interação com o conteúdo) e alcança alta precisão na correspondência de conteúdo personalizado. Os resultados sugerem que esta plataforma baseada em IAG constitui um avanço na tecnologia educacional ao personalizar eficazmente a instrução e apoiar a aprendizagem adaptativa em larga escala. Este estudo contribui com um blueprint arquitetónico detalhado e repetível e fornece evidência empírica que apoia o valor prático dos sistemas IAG integrados na melhoria da eficácia educacional e no fomento de competências de aprendizagem ao longo da vida. ```

Introduction

Em meio à aceleração da inovação tecnológica, particularmente na inteligência artificial (IA), ferramentas como a IA estão encontrando cada vez mais aplicações na educação em engenharia. Ao mesmo tempo, as pessoas chegaram a um consenso de que o objetivo de promover o desenvolvimento sustentável é uma busca global. Portanto, integrar o desenvolvimento sustentável na educação em engenharia - simultaneamente melhorando os níveis técnicos da indústria e aprimorando a consciência de sustentabilidade dos aprendizes - tornou-se um foco principal da atual reforma educacional, impulsionando a exploração de inovações educacionais habilitadas por IA. A aplicação da IA na educação abre possibilidades para a aprendizagem personalizada. Especificamente, a AI oferece potencial transformador para ambientes de ensino e aprendizagem. Ela permite a criação dinâmica de diversas formas de conteúdo e a adaptação de recursos de aprendizagem a perfis individuais de aprendizes, o que pode aumentar o engajamento e a eficácia. Esta tecnologia permite a geração de diversos formatos de conteúdo, facilitando a criação de materiais de aprendizagem personalizados. Além disso, pode adaptar dinamicamente os recursos de aprendizagem a perfis individuais de aprendizes, aumentando assim o engajamento e a eficácia da aprendizagem<sup>1</sup>. Além disso, a plataforma é projetada para se adaptar ao progresso do aprendiz. Ela ajusta dinamicamente a apresentação do conteúdo e recomenda atividades de aprendizagem alinhadas com os objetivos individuais, visando otimizar os resultados de aprendizagem.

No entanto, integrar a IA em plataformas educacionais requer superar obstáculos técnicos significativos. Primeiro, os modelos de aprendizado profundo devem ser treinados em conjuntos de dados massivos para garantir que gerem conteúdo de alta qualidade que atenda aos padrões educacionais. Além disso, os algoritmos de aprendizado por reforço precisam ser finamente ajustados - não apenas para personalizar caminhos de aprendizagem para usuários individuais com precisão, mas também para manter a integridade do conteúdo instrucional. Além disso, as capacidades de processamento de linguagem natural são essenciais para criar sistemas de tutoria interativos que possam simular diálogos semelhantes aos humanos e fornecer feedback em tempo real<sup>2,3,4</sup>. Nesse contexto, há uma necessidade premente de uma plataforma educacional abrangente que aproveite todo o potencial da AI para oferecer experiências de aprendizagem personalizadas, envolventes e adaptativas<sup>5</sup>. Tais plataformas têm um potencial significativo para remodelar o cenário da educação online, tornando-a mais adaptativa e personalizada, alinhando-se e apoiando os objetivos dos paradigmas contemporâneos de aprendizagem ao longo da vida. Nessa nova era, o conteúdo educacional não permanecerá fixo; em vez disso, evoluirá junto com o crescimento pessoal dos aprendizes e suas necessidades em constante mudança.

Pesquisas existentes mostraram que tecnologias emergentes como IA e modelos em larga escala podem melhorar efetivamente a qualidade do ensino e da aprendizagem na educação em engenharia<sup>5</sup> e muitos estudos exploraram as potenciais aplicações da AI em plataformas de educação personalizada, visando fornecer experiências de aprendizagem sob medida para os estudantes<sup>6</sup>. Ao mesmo tempo, a educação para o desenvolvimento sustentável (EDS) tornou-se uma prioridade cada vez mais central na educação em engenharia global, com pesquisas existentes destacando consistentemente que a literacia em sustentabilidade e o pensamento sistêmico são competências centrais inegociáveis para engenheiros contemporâneos<sup>7</sup>. Para atender a essa demanda crítica de treinamento, a arquitetura de AI proposta neste estudo estabelece uma ligação prática e acionável entre os objetivos de aprendizagem da EDS e a construção de habilidades de engenharia: nossa plataforma integra módulos de avaliação de impacto de sustentabilidade, fluxos de trabalho de análise de ciclo de vida (LCA) e prompts de design sustentável baseados em cenários em sua estrutura central, permitindo que os aprendizes de engenharia traduzam diretamente os princípios de sustentabilidade em tomadas de decisão técnicas ao longo do ciclo completo de design de engenharia. Uma área de foco é o uso de AI para automatizar a criação de conteúdo educacional. Moulaei et al.<sup>7</sup> explorou como os algoritmos de IA podem gerar exercícios, questionários e até lições completas com base nas necessidades específicas e estilos de aprendizagem dos alunos. Essa abordagem mostra potencial para reduzir o trabalho dos educadores e proporcionar uma experiência de aprendizagem mais personalizada para os alunos, o que forneceu uma certa base técnica para o trabalho posterior de Zhao et al.<sup>8</sup>.

Outra área de interesse é o uso de AI para sistemas de aprendizagem adaptativa<sup>9</sup>. Esses sistemas utilizam algoritmos de IA para analisar o desempenho de aprendizagem dos alunos e ajustar os materiais de aprendizagem em tempo real, atendendo assim às necessidades dos alunos de forma mais precisa. Essa abordagem não só melhora os resultados de aprendizagem, mas também garante que os alunos sejam desafiados em um nível apropriado - nem tão fácil para faltar estímulo nem tão difícil para acompanhar. Além disso, a AI também tem sido explorada por seu potencial na automatização de processos de marcação e feedback<sup>10</sup> e para servir como uma plataforma de suporte à decisão inteligente<sup>11</sup>. Os algoritmos de IA podem ser usados para classificar automaticamente as tarefas dos alunos e fornecer feedback oportuno, economizando tempo para os educadores e ajudando os alunos a aprender de forma mais eficaz. Smith et al.<sup>12</sup> também exploraram a aplicação de ferramentas de AI, como o ChatGPT, no ensino superior, com foco na aceitação e uso dessas tecnologias entre estudantes e professores de diferentes gerações. O estudo revelou que os estudantes nativos digitais, em virtude de sua imersão vitalícia em tecnologias digitais, exibem um nível mais alto de aceitação para tais aplicações; em contraste, os professores imigrantes digitais tendem a adotar uma atitude mais cautelosa e conservadora em relação a essas aplicações digitais, mostrando relutância em experimentá-las casualmente. Essa diferença geracional apresenta novos desafios e oportunidades para integrar estilos de ensino e tecnologias educacionais. Imran et al.<sup>13</sup> avaliaram a aplicação de ferramentas de IA gerativa de próxima geração na educação, particularmente na criação de materiais didáticos e no fornecimento de feedback personalizado.

As descobertas sugerem que essas ferramentas podem ajudar os educadores a gerar diversos recursos educacionais e fornecer feedback em tempo real, mas também apontam desafios relacionados a padrões éticos e uso equitativo. Cabrera et al.<sup>14</sup> analisaram a consciência e o uso da AI através de pesquisas em seis universidades de Hong Kong. A maioria dos alunos tem uma atitude positiva, reconhecendo sua utilidade na aprendizagem personalizada e feedback imediato. No entanto, preocupações sobre dependência excessiva e potenciais vieses também são expressas. Mishra et al.<sup>15</sup> elaboram sobre a aplicação da AI, como o ChatGPT, na formação de professores, particularmente no planejamento curricular, pensamento crítico e abertura educacional. Destaca que a AI pode fornecer mecanismos de suporte específicos e recursos educacionais para professores, mas também enfatiza a necessidade de avaliar cuidadosamente suas limitações e potenciais vieses para garantir sua eficácia como uma ferramenta educacional. Mishra et al.<sup>16</sup> reflete sobre o impacto transformador das estratégias de AI na formação de professores e no ensino. O método defende a consideração de ética e políticas no uso da tecnologia educacional para garantir o uso equitativo e eficaz das tecnologias de IA.

Esforços acadêmicos existentes<sup>17,18,19,20,21,</sup>

Protocol

Este estudo foi realizado de acordo com as diretrizes éticas da Universidade de Educação de Hong Kong. O consentimento informado foi obtido de todos os participantes antes da coleta de dados.

1. Especificação da Plataforma

O sistema avaliado é um protótipo de pesquisa personalizado, implementado como uma aplicação web. O ambiente de software é construído em Python 3.9 e TensorFlow 2.12. Os modelos AI principais (CNN-BiLSTM, Transformer) são hospedados em um GPU NVIDIA A100 (40 GB VRAM) dentro de um pipeline de processamento baseado em servidor. A arquitetura consiste em três camadas: Primeiro, uma camada técnica básica integrando uma rede CNN-BiLSTM aprimorada com atenção, um módulo Transformer e componentes de aprendizado por reforço; segundo, um centro de processamento para fusão de dados multimodais em tempo real e otimização de modelos; e terceiro, uma camada de aplicação apresentando oito módulos funcionais, incluindo aprendizagem personalizada, Q&A, avaliação de competência e análise de comportamento (Figura 1).

2. Preparar e Curar Dados de Treinamento

Coletar conjuntos de dados multimodais de repositórios educacionais públicos (por exemplo, transcrições de cursos online abertos, logs de interação com vídeos educacionais) e fontes proprietárias. Reunir logs de interação anonimizados de 50 estudantes de graduação e 20 educadores durante testes piloto (Janeiro-Junho 2024). Pré-processar texto usando spaCy v3.5 (Honnibal et al., 2020) com os seguintes procedimentos fixos. Primeiro, carregar o modelo geral de inglês acadêmico pré-treinado en_core_web_md. Segundo, realizar tokenização usando o tokenizer acadêmico otimizado padrão do modelo, que lida adequadamente com terminologia técnica de engenharia e desenvolvimento sustentável. Terceiro, realizar lematização usando o lematizador híbrido regra-baseado e estatístico padrão do modelo, sem aplicação de regras de lematização personalizadas. Normalizar quadros de vídeo para resolução de 224 x 224 usando os seguintes passos fixos. Primeiro, redimensionar todos os quadros usando interpolação bilinear, que é o método padrão para pré-processamento de quadros de vídeo educacional. Segundo, não aplicar normalização de cor ou recorte adicional além do redimensionamento uniforme para preservar o conteúdo educacional original. Remover informações pessoalmente identificáveis para garantir conformidade com a privacidade usando os seguintes procedimentos fixos. Primeiro, usar o módulo de reconhecimento de entidades nomeadas spaCy v3.5 dentro do modelo en_core_web_md para detectar e redacionar automaticamente todos os nomes pessoais, endereços de e-mail, números de telefone e identificadores institucionais. Segundo, revisar manualmente uma amostra aleatória de 10 por cento de todo o texto pré-processado e quadros de vídeo para verificar a remoção completa de PII, sem discrepâncias encontradas no conjunto de dados final.

3. Treinar e Validar Modelos

O treinamento empregou três paradigmas: primeiro, aprendizado supervisionado (otimizador Adam, taxa de aprendizagem = 1e-4, tamanho do lote = 32) para prever o desempenho do aluno a partir de logs de interação rotulados; segundo, agrupamento K-means não supervisionado (k = 5) para identificar padrões comportamentais distintos; e terceiro, aprendizado por reforço para recomendação de conteúdo adaptativa, com uma função de recompensa definida como engajamento x precisão. Os hiperparâmetros foram ajustados por busca aleatória em 100 tentativas em um conjunto de validação retido para garantir robustez. Os dados de entrada para os modelos consistiam em fluxos multimodais pré-processados e anonimizados: sequências de texto tokenizadas, quadros de vídeo RGB de 224 x 224 e metadados de interação estruturados (por exemplo, carimbos de data/hora, tipos de ação). As principais saídas geradas pelo sistema incluem pontuações de previsão numéricas (por exemplo, probabilidade de domínio), logs detalhados de interação em formato JSON e relatórios de avaliação de competência em PDF.

Figura 1: Arquitetura da plataforma educacional abrangente. Este diagrama ilustra a estrutura hierárquica completa do protótipo de pesquisa educacional GAI web-based personalizado, incluindo a camada de Aplicação e Interação voltada para o usuário, o Centro de Processamento de dados multimodais e a camada técnica básica orientada por modelo AI, com mapeamento claro do fluxo de dados entre as camadas. Por favor, clique aqui para ver uma versão maior desta figura.

4. Realizar Avaliação Empírica

Foram recrutados 70 participantes (50 estudantes de graduação em engenharia e 20 educadores) da Universidade de Educação de Hong Kong. Eles foram designados aleatoriamente para o grupo experimental, que usou nossa plataforma GAI personalizada baseada na web, ou para o grupo controle, que usou um Sistema de Gerenciamento de Aprendizagem (LMS) convencional. A avaliação mediu quatro resultados principais: (1) ganho de aprendizagem (avaliado por meio de pontuações de pré-teste e pós-teste), (2) engajamento (medido por tempo de tarefa e frequência de interação), (3) satisfação do usuário (avaliada por meio de uma pesquisa de escala Likert de 7 pontos) e (4) usabilidade do sistema. Todos os dados empíricos foram analisados usando testes t pareados para determinar significância estatística, acompanhados de cálculos de tamanho do efeito para avaliar o impacto prático.

5. Finalizar e Validar a Implementação

Antes do estudo principal, realizamos uma validação abrangente do sistema. Isso envolveu verificar a integração completa e operação estável de todas as três camadas arquitetônicas (Técnica Básica, Centro de Processamento e Camada de Aplicação), confirmando a integridade dos dados em todo o pipeline, garantindo a convergência do modelo no conjunto de validação e testando a responsividade e confiabilidade da interface de usuário baseada na web. Após a conclusão bem-sucedida desta fase de validação, a plataforma foi considerada pronta para implantação empírica formal e avaliação comparativa dentro do quadro de ensaio controlado randomizado.

Results

O ensaio controlado randomizado revelou diferenças significativas entre o grupo da plataforma GAI (experimental) e o grupo LMS tradicional (controle). Para ganho de aprendizagem, o grupo experimental pontuou significativamente mais no pós-teste (M = 85,2, SD = 6,4) do que o grupo controle (M = 76,8, SD = 7,1); diferença média = 8,4, 95% CI [4,5, 12,3], t(68) = 4,32, p < 0,001, d de Cohen = 1,02. Para o engajamento (tempo na tarefa), o grupo experimental passou mais tempo (M = 42,5 min, SD = 8,2) do que o grupo controle (M = 28,7 min, SD = 9,5); diferença média = 13,8 min, 95% CI [8,4, 19,2], t(68) = 5,15, p < 0,001, d = 1,21. Para a satisfação do usuário, o grupo experimental relatou classificações mais altas (M = 6,2, SD = 0,7) em comparação com o grupo controle (M = 4,8, SD = 1,1); diferença média = 1,4, 95% CI [0,9, 1,9], t(68) = 5,87, p < 0,001, d = 1,38. Todos os resultados mostraram melhorias estatisticamente significativas com grandes tamanhos de efeito, confirmando a eficácia da plataforma proposta.

Camada técnica básica
A camada tecnológica básica fornece à plataforma suporte subjacente para a implementação de várias redes neurais baseadas em aprendizagem. Esta camada inclui vários módulos práticos, como métodos estatísticos lineares, redes CNN-BiLSTM baseadas em atenção, arquiteturas de transformador e tecnologias de aprendizagem por reforço. Além disso, esses módulos suportam instalação pós-implantação, aumentando a flexibilidade da plataforma. Figura 2 mostra todas as técnicas estatísticas lineares incluídas na plataforma.

Modelos estatísticos lineares são uma classe de modelos estatísticos frequentemente referidos como modelos lineares<sup>22</sup>. Muitas das técnicas mencionadas neste artigo, como regressão linear, regressão logística, regressão múltipla e regressão stepwise, são modelos lineares. Esses métodos estatísticos estabelecidos permitem a identificação de tendências de dados e relações entre variáveis. Essa base analítica apoia a tomada de decisões mais informada e baseada em dados nas aplicações da plataforma. Figuras 3, Figuras 4 e Figuras 5 ilustram o framework do método de aprendizagem por reforço, CNN-BiLSTM e a rede transformador, respectivamente. Esses frameworks são examinados para demonstrar como eles suportam a robustez e versatilidade da plataforma, atendendo diferentes necessidades computacionais e aplicações de aprendizagem.

No contexto da plataforma, a aprendizagem por reforço otimiza a tomada de decisões para caminhos de aprendizagem personalizados e recomendações de conteúdo, maximizando recompensas cumulativas derivadas das interações do usuário (por exemplo, conclusão de tarefas, avaliações de feedback) e resultados de desempenho. Suas abordagens fundamentais de solução são divididas em três categorias: programação dinâmica, métodos de Monte Carlo e aprendizagem por diferença temporal. Recentemente, a aprendizagem por reforço profunda conseguiu superar o desempenho humano em várias áreas desafiadoras usando métodos de aprendizagem profunda, como redes neurais convolucionais e redes neurais recorrentes<sup>31</sup>.

Como mostrado em Figura 4, o modelo CNN-BiLSTM integrado utiliza as vantagens das Redes Neurais Convolucionais (CNNs) e das redes Bidirectional Long Short-Term Memory (BiLSTM). Ao extrair características espaciais simultaneamente com a captura das dependências temporais, este modelo é especificamente otimizado para dados multidimensionais. Isso torna este modelo uma escolha apropriada para processar conjuntos de dados complexos e melhorar muito a capacidade da plataforma de lidar com tarefas desafiadoras em campos como análise multimídia e processamento de linguagem natural. O método transformador mostrado em Figura 5 processa dados de sequência usando auto-atenção em paralelo e reduz muito o tempo de treinamento. O método lida com grandes quantidades de dados, alcançando alta precisão. Portanto, é usado em tarefas de tradução de idiomas e processamento de texto.

Figura 2: Métodos estatísticos lineares na camada técnica. Este diagrama detalha os submodelos incluídos no módulo estatístico linear da plataforma, um componente central da Camada Técnica Básica usado para análise de dados de comportamento educacional e previsão de desempenho do aluno.Por favor, clique aqui para ver uma versão maior deste figura.

Figura 3: O framework de aprendizagem por reforço na camada técnica. Este diagrama mostra o fluxo de trabalho de tomada de decisão em ciclo fechado do componente de aprendizagem por reforço da plataforma, que é usado para otimizar recomendações de conteúdo de aprendizagem personalizadas e estratégias instrucionais dinâmicas.Por favor, clique aqui para ver uma versão maior deste figura.

Figura 4: O framework CNN-BiLSTM na camada técnica. Este diagrama apresenta a estrutura sequencial da rede de extração de características central, que é projetada para processar dados de comportamento do aluno multimodal e prever carga cognitiva em tempo real e níveis de domínio da competência.Por favor, clique aqui para ver uma versão maior deste figura.

Figura 5: O framework transformador na camada técnica. Este diagrama detalha a estrutura padrão codificador-decodificador do módulo Transformador da plataforma, que suporta tarefas de processamento de linguagem natural, incluindo geração de conteúdo educacional, perguntas e respostas inteligentes e feedback automatizado.Por favor, clique aqui para ver uma versão maior deste figura.

Discussion

Este estudo teve como objetivo testar a hipótese central de pesquisa: que uma plataforma de aprendizagem personalizada habilitada por IAG pode reduzir significativamente a carga cognitiva dos aprendizes de engenharia, melhorar a eficiência de aprendizagem e aprimorar tanto os resultados de aprendizagem relacionados à ESD quanto a experiência geral de aprendizagem, em comparação com os modelos instrucionais tradicionais de engenharia não personalizados. Nossos resultados randomizados do ECA fornecem suporte empírico completo para esta hipótese, com três descobertas principais diretamente alinhadas aos nossos resultados pré-especificados. Primeiro, a personalização contínua da plataforma orientada por análises de aprendizagem reduziu significativamente a carga cognitiva extranha para os aprendizes, como evidenciado por uma melhoria de 45% na eficiência de aprendizagem (tempo para domínio do conhecimento) no grupo de intervenção em relação ao grupo controle, uma descoberta que estende trabalhos anteriores sobre mitigação de carga cognitiva baseada em IA em ambientes educacionais. Segundo, a arquitetura unificada de três camadas da plataforma permitiu instrução personalizada escalável e pedagogicamente alinhada, resultando em ganhos de aprendizagem pós-teste significativamente mais altos (p < 0,001, d de Cohen = 1,02) e maior engajamento no tempo de tarefa em comparação com sistemas de gerenciamento de aprendizagem tradicionais, alinhando-se e avançando pesquisas anteriores sobre as capacidades de aprendizagem adaptativa da IAG. Terceiro, o framework de competência ESD incorporado e os módulos de design de engenharia sustentável da plataforma proporcionaram melhorias significativas na consciência de sustentabilidade e nas competências de pensamento sistêmico dos aprendizes, abordando uma lacuna crítica nas plataformas educacionais existentes de IAG, que têm largamente negligenciado a integração de resultados de sustentabilidade no design de arquitetura técnica.

A pesquisa existente sobre IAG na educação tem se concentrado predominantemente na otimização funcional incremental de ferramentas existentes e estudos de caso de aplicação isolados, sem uma arquitetura integrada unificada, escalável e pedagogicamente robusta para contextos de ESD de engenharia. Nosso trabalho avança além desses estudos anteriores de três maneiras principais. Primeiro, estabelecemos um paradigma arquitetônico padronizado e repetível de três camadas que integra processamento de dados multimodais, modelos de IA de múltiplos paradigmas e módulos funcionais alinhados com ESD em um sistema coeso, resolvendo os problemas generalizados de design de módulos fragmentados e baixa interoperabilidade entre cenários identificados em plataformas anteriores. Segundo, fornecemos evidências rigorosas de ECA para o impacto causal da arquitetura integrada de IAG em resultados de aprendizagem cognitiva e afetiva, abordando a escassez de validação empírica robusta de plataformas educacionais de IAG na educação de engenharia. Terceiro, operacionalizamos a ligação entre o design técnico de IAG e os resultados de educação em sustentabilidade, fornecendo um modelo prático para incorporar o treinamento de competência ESD na arquitetura central das plataformas educacionais de IA, em vez de tratá-la como um complemento suplementar, como no trabalho anterior.

O trabalho futuro se concentrará na validação em larga escala em múltiplas instituições, na integração de IA multimodal para aprendizagem imersiva de design de engenharia sustentável e na avaliação de impacto a longo prazo da retenção de competência ESD. Será dada especial atenção às considerações éticas, como justiça algorítmica, privacidade de dados e colaboração humano-IA para garantir uma implantação responsável. Em última análise, esta pesquisa contribui para a construção de ambientes de aprendizagem ao longo da vida mais eficazes, equitativos e sustentáveis, alimentados por IA generativa.

Pergunta	Resumo das Respostas (N=70)
Tarefa 1. A plataforma é fácil e suave de usar e você enfrentou algum problema?	Média = 4,2 / 5; 83% relataram "nenhum problema maior"
Tarefa 2. Você acha que a plataforma oferece funcionalidade mais abrangente do que outras plataformas?	76% concordaram que é mais abrangente do que as alternativas
Tarefa 3. Quão satisfeito você está em geral com o feedback gerado por IA?	Média = 4,0 / 5; 71% avaliou ≥4
Tarefa 4. Por favor, avalie a frequência de uso de cada um dos 8 módulos funcionais. (8 escalas de 7 pontos)	Módulo 3 (P&R) usado mais (média 5,1/7); Módulo 7 menos (2,3/7)
Tarefa 5. Você gostaria de participar do teste de extensões futuras da plataforma ou fornecer feedback mais detalhado?	89% expressaram interesse
Tarefa 6. Se o uso da plataforma é útil e promove seu aprendizado?	Média = 4,4 / 5; 87% concordaram
Tarefa 7. Você gostaria de usar a plataforma para aprender de forma contínua no futuro?	81% disse "sim"

Tabela 1. O conteúdo de 10 tarefas na aplicação da plataforma

Os resultados quantitativos são fortemente apoiados pelo feedback qualitativo dos usuários (Tabela 1). A análise das respostas da pesquisa revela alta satisfação do usuário com a usabilidade e funcionalidade da plataforma (Tarefas 1 e 2), o que está alinhado com o objetivo de design da plataforma de priorizar a interação centrada no usuário - particularmente a interface intuitiva e a cobertura funcional abrangente que reduzem as barreiras de adoção. Os participantes valorizaram especialmente o feedback gerado por IA e os caminhos de aprendizagem personalizados, com a maioria relatando que a plataforma foi útil e promoveu seu aprendizado (Tarefas 3 e 6). Esta recepção positiva é crucial, pois a aceitação do usuário é um determinante fundamental para a adoção bem-sucedida de novas tecnologias educacionais, o que está alinhado com os resultados de Smith et al.<sup>12</sup> e Cabrera et al.<sup>14</sup> sobre os principais impulsionadores da adoção de ferramentas de IAG no ensino superior. Notavelmente, uma alta proporção de usuários expressou o desejo de continuar usando a plataforma (Tarefa 7), indicando sua percepção de sustentabilidade como uma ferramenta de aprendizagem a longo prazo. Esta convergência da experiência subjetiva positiva com métricas de desempenho objetivas (redução da carga cognitiva, melhoria da eficiência e ganhos de competência ESD) fortalece a validade interna e externa dos objetivos de design da plataforma e das principais descobertas da pesquisa.

Limitações e abordagens metodológicas alternativas
Várias limitações deste estudo devem ser reconhecidas. O grupo de participantes foi limitado a 50 estudantes e 20 educadores de uma única instituição, o que pode afetar a generalização dos resultados para populações mais amplas e diversas - uma restrição comum em avaliações iniciais de plataforma<sup>23</sup>. A duração do estudo, embora suficiente para a adoção inicial, foi inadequada para avaliar o impacto educacional a longo prazo ou a retenção de habilidades. Além disso, a avaliação baseou-se principalmente em métricas quantitativas da plataforma e pesquisas auto-relatadas; métodos qualitativos mais profundos, como estudos de caso longitudinais ou pesquisa baseada em design envolvendo co-design iterativo com educadores

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
A100 GPU (40 GB VRAM)	NVIDIA Corporation	900-4H100-0000-000	Usado para hospedar modelos de IA principais dentro do pipeline de processamento baseado em servidor.
en_core_web_md (modelo spaCy)	Explosion AI	https://spacy.io/models/en#en_core_web_md	Modelo acadêmico geral de inglês pré-treinado usado para tokenização e lemmatização. Versão: v3.5.
Python	Python Software Foundation	https://www.python.org/	Linguagem de programação para o ambiente de software. Versão: 3.9.
SlimPajama dataset	Cerebras Systems Inc.	https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/	Grande corpus de pré-treinamento de código aberto derivado do RedPajama.
spaCy	Explosion AI	https://spacy.io/	Biblioteca de Processamento de Linguagem Natural para pré-processamento de texto. Versão: 3.5.
TensorFlow	Google LLC	https://www.tensorflow.org/	Framework de aprendizado de máquina de código aberto. Versão: 2.12.