AULA 5

PROJETOS E INOVAÇÃO
NA EDUCAÇÃO

Profª Oriana Gaio

INTRODUÇÃO

Já conhecemos as principais características e abordagens que envolvem

as metodologias ativas, imersivas e ágeis. Se essas metodologias já
apresentavam um grau de inovação educacional, nesta aula estudaremos sobre
a metodologia analítica, que é considerada, entre os autores, como uma das mais
disruptivas no contexto educacional.
Cavalcanti e Filatro (2018, p. 190) indicam que a inovação associada às
metodologias analíticas se refere

ao imenso poder computacional de coletar, tratar e transformar dados

relativos à aprendizagem humana, apoiando assim a tomada de decisão
por professores, especialistas, designers instrucionais, gestores e, como
veremos, pelos próprios alunos.

Dessa forma, é necessário compreender os aspectos teóricos que

envolvem os conceitos de dados e informações e que nos acompanharão em toda
a nossa aula. Os dados são símbolos que podem ser quantificados ou não, por
exemplo, um texto ou uma figura, mas que sejam passíveis de análise. Já a
informação é a transformação que ocorre de um dado em interpretação e
ganhando sentido lógico.
Dito isso, nesta aula procuramos elucidar os conceitos que envolvem as
metodologias analíticas como: a mineração de dados educacionais, a analítica da
aprendizagem e a aprendizagem adaptativa. Com base nesses conceitos,
veremos também algumas aplicações que utilizam a base de sistemas
computacionais na educação como a computação cognitiva e o machine learning.
Logo, a ideia desta aula é permitir que você compreenda e entenda qual é
a real finalidade de usar os dados e informações associados ao contexto
educacional para a solução de problemas e tomadas de decisão.

TEMA 1 – METODOLOGIAS ANALÍTICAS

Com base no desenvolvimento da tecnologia educacional com o

crescimento do e-learning e a utilização da internet no contexto educacional,
permitiu-se a criação de bancos de dados com informações dos alunos. Esses
dados transformados em informações podem ser explorados para compreender
como os estudantes aprendem e, consequentemente, poder auxiliar na tomada
de decisões gerenciais das instituições de ensino.

2
 Podemos dizer, então, que a metodologia com alto grau de inovação para
educação é a analítica. Com base em dados gerados no contexto educacional, é
possível tomar decisões em relação ao processo de ensino e aprendizagem. Mas
você deve estar se perguntando: quais dados especificamente são gerados pelos
alunos no contexto educacional? A seguir estão relacionados alguns deles:

• dados de conclusão, permanência e evasão;

• dados de aprovação e reprovação;
• dados de acesso a recursos didáticos, como textos, imagens, vídeos,
áudios, animações, infográficos;
• dados de participação em atividades de aprendizagem, como
questionários fechados, atividades abertas, fóruns de discussão;
• dados de desempenho em atividades de aprendizagem e de avaliação;
• dados de interação social (relacionamento com colegas de estudo e
professores, por exemplo);
• dados de avaliação de reação;
• dados de pesquisa de satisfação (Cavalcanti; Filatro, 2018, p. 197).

A obtenção desses e de outros dados é possível graças a sistemas

educacionais, ou à educação a distância, que conta com o auxílio de ambientes
virtuais de aprendizagem, onde os dados de alunos e professores podem ser
coletados e armazenados. No entanto, no ensino presencial, a coleta de dados é
mais limitada e fica a cargo e interesse de professores e gestores, que reúnem
dados específicos de todo o processo.
A figura a seguir resume quais são os contextos educacionais e os sistemas
que permitem a criação de dados para a educação:

Figura 1 – Contextos educacionais e os sistemas que permitem a criação de dados

para a educação

Fonte: Romero; Ventura, 2013, p. 17, tradução nossa.

3
 Com base na Figura 1, é possível notar que existem vários ambientes
educacionais como também sistemas de informação, seja na educação
convencional, seja na baseada em computador. Cada uma viabiliza fontes de dados
diferentes que devem ser processados de várias formas, dependendo da natureza
dos dados disponíveis e dos problemas e tarefas específicos a serem resolvidos
pela mineração de dados.
Segundo Cavalcanti e Filatro (2018, p. 199), além do armazenamento e do
registro dos dados dos alunos para subsidiar o processo de aprender e a tomada
de decisão dos professores, os dados educacionais podem ser utilizados com outra
finalidade.

No caso da educação regulamentada, os principais dados citados

anteriormente são submetidos aos órgãos governamentais (ministério da
educação e secretarias da educação em nível estadual e municipal) para
compor as estatísticas do setor e possibilitar a formulação de políticas
públicas. No âmbito institucional, muitos desses dados subsidiam a
tomada de decisão quanto à oferta de novos cursos e à formação de
turmas, e, em alguns casos, a revisão de metodologias, a reformulação de
materiais didáticos e a realocação e capacitação dos profissionais
envolvidos

Com base nos dados educacionais, surge então o conceito de mineração de

dados educacionais (MDE), que se preocupa em desenvolver, pesquisar e aplicar
métodos computadorizados para identificar padrões nos dados educacionais.
Dessa forma, a MDE tem sido utilizada como fonte de pesquisa com o intuito de
analisar os dados que surgem em contextos educacionais para resolver questões
de pesquisa educacional, como melhorar o processo de aprendizagem e orientar a
aprendizagem dos alunos; bem como objetivos puros de pesquisa, como alcançar
uma compreensão mais profunda dos fenômenos educacionais.
Para Romero e Ventura (2013), existe um processo da utilização da
mineração de dados educacionais, que envolve a formulação de hipóteses, os
testes e, por fim, o aperfeiçoamento, conforme a Figura 2:

4
Figura 2 – Etapas do processo da utilização da mineração de dados educacionais

Fonte: Romero; Ventura, 2013, p. 19, tradução nossa.

A formulação de hipóteses no contexto educação que resultam na

mineração de dados podem envolver diferentes grupos de usuários ou
participantes, que analisam as informações educacionais de diferentes ângulos,
de acordo com sua própria missão, visão e objetivos. Assim, as informações
obtidas por meio da MDE podem ser utilizadas para auxiliar os professores a
gerenciar suas aulas, para compreensão dos processos de aprendizagem de seus
alunos, como também a reflexão sobre os métodos de ensino utilizados em sala
de aula. Além disso, a MDE pode apoiar as reflexões dos alunos sobre
determinada situação, como também fornecer feedback em relação ao processo
de aprendizagem.

TEMA 2 – ANALÍTICA DA APRENDIZAGEM

A expressão analítica da aprendizagem ou análise do aprendizado (como

alguns autores utilizam) é um campo emergente em que ferramentas analíticas
sofisticadas são usadas para melhorar o aprendizado e a educação. Ela se baseia
e está ligada a uma série de outros campos de estudo, incluindo análise da web,
análise acadêmica, mineração de dados educacionais e análise de ações.
A analítica da aprendizagem pode ser definida como “o uso de dados
inteligentes, dados produzidos por alunos e modelos de análise para descobrir
informações e conexões sociais, e para prever e aconselhar sobre aprendizado”
(Siemens, 2013, p. 1382). Dessa forma, é possível dizer que a analítica da
aprendizagem se refere à interpretação de uma ampla gama de dados produzidos
pelos alunos, a fim de avaliar o progresso acadêmico e prever o desempenho
futuro.

5
 No entanto, ressaltamos que, segundo Liñán e Pérez (2015), é possível
identificar algumas diferenças principais entre a mineração de dados educacionais
e a analítica da aprendizagem:

• Descoberta: na mineração de dados educacionais, os pesquisadores estão

interessados na descoberta automatizada. Aproveitar o julgamento
humano é uma ferramenta, mas na analítica da aprendizagem é
exatamente o oposto: alavancar o julgamento humano é que é o objetivo;
• Redução: a mineração de dados educacionais reduz os sistemas a
componentes e explora os relacionamentos, enquanto a analítica da
aprendizagem quer entender sistemas inteiros;
• Origens: a mineração de dados educacionais está enraizada no software
educacional e na modelagem de alunos; por outro lado, as origens da
analítica da aprendizagem estão relacionadas à web semântica, previsão
de resultados e intervenções sistêmicas;
• Técnicas e métodos: a mineração de dados educacionais emprega mais
técnicas e métodos de classificação, modelagem, descoberta com modelos
e visualização. Enquanto a analítica da aprendizagem centra-se na análise
de redes sociais, análise de sentimentos, análise de influência, análise de
discurso, previsão de sucesso do aluno.

Apesar das diferenças apresentadas, podemos observar como o processo

da analítica da aprendizagem é similar ao da mineração de dados educacionais,
mas envolve um ciclo iterativo em três etapas principais:

1. coleta e pré-processamento de dados;

2. análise e ação; e
3. pós-processamento.

6
Figura 3 – Etapas do processo da analítica da aprendizagem

Pós- Coleta e pré-

processamento processamento

Analítica da
aprendizagem

Análise e ação

Fonte: Simens, 2013, p. 1383.

Cada uma das etapas é descrita a seguir com base na visão de Siemens
(2013):

• Coleta e pré-processamento de dados: os dados educacionais são a

base do processo da analítica da aprendizagem. Dessa forma, em um
primeiro momento é necessário coletar dados de diversos cenários e
sistemas educacionais. Caso os dados obtidos sejam muito grandes ou
envolvam muitos fatores, é preciso realizar um pré-processamento de
dados. Esse pré-processamento de dados permite transformar os dados
em um formato adequado que pode ser utilizado pela analítica da
aprendizagem. Algumas formas de pré-processamento são: limpeza de
dados, integração de dados, transformação de dados, redução de dados,
modelagem de dados, identificação de usuários;
• Análise e ação: com base nos dados pré-processados, diferentes técnicas
da analítica de aprendizagem podem ser utilizadas para explorar os dados,
com o objetivo de descobrir padrões que forneçam uma experiência de
aprendizado mais eficaz. A etapa de análise não inclui apenas a análise e
a visualização de informações, mas também ações sobre essas
informações. Tomar ações é o objetivo principal de todo o processo de
análise, que incluem monitoramento, análise, previsão, intervenção,
avaliação, adaptação, personalização, recomendação e reflexão;

7
 • Pós-processamento: a melhoria contínua da análise deve envolver a
seleção de novos dados de outras fontes de dados, aprimorar o conjunto
de dados, identificar novos indicadores e métricas, modificar as variáveis
de análise ou escolher um novo método de análise.

No entanto, para realizar a coleta de dados e fazer as devidas análises, é

preciso ter em mente as quatro dimensões que envolvem a analítica da
aprendizagem, conforme a Figura 4:

a. O quê? Que tipo de dados o sistema coleta, gerencia e usa para a análise?;
b. Quem? Quem é o alvo da análise?
c. Por quê? Por que o sistema analisa os dados coletados?
d. Como? Como o sistema realiza a análise dos dados coletados?

Figura 4 – Dimensões da analítica da aprendizagem

o quê? por quê?

dados e ambientes objetivos

Analítica da
aprendizagem

como? quem?
métodos partes interessadas

Fonte: Siemens, 2013, p. 1392.

Descrevemos a seguir as quatro dimensões do modelo de referência

proposto relacionando os desafios e oportunidades para a analítica da
aprendizagem, segundo Siemens (2013):

• O quê? (dados e ambientes): a analítica envolve uma abordagem

baseada em dados e dessa forma precisamos saber a origem dos dados
educacionais. As fontes de dados podem ser os sistemas de
gerenciamento de aprendizagem (do inglês, learning management system
- LMS), como o Blackboard e o Moodle. Esse tipo de sistema concentra
grandes registros de dados das atividades e dos dados de interação dos
alunos, como leitura, escrita, acesso, upload de material de aprendizagem,

8
 realização de testes. Em contrapartida, os ambientes de aprendizado
pessoal compilam dados de uma ampla variedade de fontes, sendo
provenientes de canais de aprendizado formais e informais (rede sociais,
ferramentas do dia a dia, etc.). O desafio passa a ser como agregar e
integrar dados brutos de várias fontes, geralmente disponíveis em
diferentes formatos, para criar um conjunto de dados educacionais úteis
que refletem as atividades do aluno;
• Quem? (partes interessadas): diferentes grupos de pessoas podem estar
interessadas em coletar os dados como: alunos, professores, tutores,
instituições educacionais, pesquisadores, design de sistemas, etc. O
interesse dos alunos, por exemplo, centra-se em saber como a análise
pode melhorar suas notas. Os professores podem estar interessados em
como a análise pode aumentar a eficácia de suas práticas de ensino ou
apoiá-los na adaptação de suas ofertas de ensino às necessidades dos
alunos. Instituições educacionais podem usar ferramentas de análise para
apoiar a tomada de decisões, identificar potenciais alunos em evasão,
ajustar o planejamento do curso, determinar as necessidades de
contratação ou tomar decisões financeiras. As ferramentas da analítica da
aprendizagem devem fornecer feedback direcionado aos objetivos das
diferentes partes interessadas para reflexão, conscientização e apoio à
tomada de decisão. É de suma importância ressaltar que precisamos
identificar e até mesmo impedir o uso indevido dos dados coletados, além
de determinar limites das análises e preservar informações confidenciais e
identidade do usuário;
• Por quê? (objetivos): podem existir diversos objetivos para a analítica da
aprendizagem que vão ao encontro do ponto de vista particular dos
diferentes interessados. Destacamos os possíveis objetivos que incluem:
monitoramento e análise, previsão e intervenção, tutoria e mentoria,
avaliação e feedback, personalização e recomendação e reflexão.
• Monitoramento e análise: os objetivos são: acompanhar as
atividades dos alunos e gerar relatórios para apoiar a tomada de decisões
pelo professor ou pela instituição educacional ou também está relacionado
ao desenho instrucional que se refere à avaliação do processo de ensino e
aprendizagem com o objetivo de melhorar continuamente o ambiente de
aprendizagem;

9
 • Previsão e intervenção: o objetivo é desenvolver um modelo que
tente prever o desempenho futuro do aluno baseado em suas atividades e
realizações atuais. Esse modelo pode ser utilizado para fornecer uma
intervenção nos alunos que necessitam uma assistência adicional;
• Tutoria e mentoria: o objetivo é auxiliar os alunos em seu
aprendizado (tarefas), apoiando cada um em sua orientação e introdução
a novos módulos de aprendizagem, como também durante todo o
processo. Além disso, os mentores fornecem orientação no planejamento
de carreira, supervisionam o alcance das metas, ajudam a preparar novos
desafios, etc.
• Avaliação e feedback: o objetivo é realizar não só a avaliação como
também a autoavaliação da eficiência e eficácia aprimoradas do processo
de aprendizagem. Além disso, é importante também obter feedback para
alunos, professores ou mentores, pois fornece informações interessantes
geradas com base em dados sobre os interesses do usuário e o contexto
de aprendizado;
• Personalização e recomendação: na personalização, a análise é
centrada no aluno, com o objetivo de ajudá-los a decidirem sobre seu
próprio aprendizado e alcançar seus objetivos de aprendizado. Além disso,
os sistemas de recomendação podem desempenhar um papel crucial para
promover o aprendizado autodirigido. O objetivo nesse caso é ajudar os
alunos a decidir o que fazer em seguida, recomendando os recursos de
aprendizagem necessários com base em suas preferências e atividades;
• Reflexão: alunos e professores podem se beneficiar dos dados
coletados se compará-los com outros dados, seja dentro do mesmo curso,
entre classes ou mesmo entre instituições. A ideia é tirar conclusões e
principalmente refletir sobre a eficácia das práticas de aprendizado ou
ensino adotadas.
• Como? (métodos): a analítica da aprendizagem pode envolver
diferentes técnicas para identificar padrões em um conjunto de dados
educacionais. Elencamos quatro técnicas: estatísticas, visualização de
informações, mineração de dados e análise de redes sociais.
• Estatísticas: os sistemas de gerenciamento de aprendizagem
existentes possuem ferramentas que fornecem relatórios contendo
estatísticas da interação dos alunos com o sistema, por exemplo:

10
 tempo online, número total de visitas, frequência de postagens,
porcentagem de material lido;
• Visualização de informações: nem sempre é fácil interpretar as
estatísticas na forma de relatórios e tabelas de dados. Como
alternativa, podemos representar os resultados obtidos em um
formato mais visual e de fácil interpretação e a análise dos dados
educacionais. Dessa forma, para representar os dados visualmente,
podemos utilizar gráficos, representações em 3D, mapas. O
importante é optar pela representação que efetivamente atinge o
objetivo da análise;
• Mineração de dados: já vimos nesta aula que a mineração é fonte
de pesquisa e é definida como “o processo de descobrir padrões ou
conhecimentos úteis a partir de fontes de dados, por exemplo,
bancos de dados, textos, imagens, web” (Siemens, 2013, p. 1395).
Conforme vimos, a mineração de dados envolve um processo de
formulação de hipóteses, testes e aperfeiçoamento;
• Análise de redes sociais: as redes sociais têm se tornado
importantes para apoiar o aprendizado em rede e as ferramentas
que permitem gerenciar, visualizar e analisar os dados nessas redes
podem ser exploradas na analítica da aprendizagem.

Com base nas quatro dimensões descritas, é importante ter em mente qual
é o objetivo que se pretende alcançar com a analítica da aprendizagem, uma vez
que, por meio da análise de dados educacionais, podemos subsidiar uma tomada
de decisão que reflita no processo de ensino e aprendizagem. Afinal, muitos
sistemas são ricos em dados, mas com poucas informações. É preciso encontrar
indicadores, previsões e recomendações pedagogicamente úteis, avaliando a
qualidade dos resultados da análise na prática, convertendo os dados brutos em
conhecimento e base empírica para a tomada de decisões.

TEMA 3 – APRENDIZAGEM ADAPTATIVA

Logo na primeira aula, falamos a respeito do ensino híbrido e da

personalização do ensino. Desde então temos falado de algumas possibilidades
de metodologias que podem ser aplicadas ao contexto educacional. Com base na
metodologia analítica, que se baseia no pressuposto da análise de dados

11
educacionais, podemos utilizá-las em prol de um ensino adaptável e que atenda
a reais necessidades de aprendizagem dos alunos. Em outras palavras, a
aprendizagem adaptativa se baseia na ideia de que o aprendizado adaptável é
um aprendizado personalizado, uma vez que, empregando as ferramentas
tecnológicas, os professores podem transformar o aprendizado tradicional em
métodos pedagógicos que consideram as características individuais dos
estudantes.
Dessa forma, a aprendizagem adaptativa é uma das potenciais alternativas
na educação e na aquisição de conhecimento. Isso porque o aprendizado
adaptável pode estar vinculado ao aprendizado de vídeo, por exemplo, em que os
alunos se envolvem com programas e atividades que ocorrem na tela e
incorporam recursos diferentes para se conectar a estilos de aprendizado
diferentes. Outro exemplo envolve o uso de sistemas que são interativos e
fornecem interface multidimensional aos alunos. Os “sistemas digitais adaptáveis
monitoram as características e o progresso do aprendiz, e o ambiente de
aprendizagem é ajustado para adaptar-se ativamente às necessidades
individuais” (Cavalcanti; Filatro, 2018, p. 226). Segundo os mesmos autores,

Esses aspectos vêm sendo congregados nas chamadas trilhas de

aprendizagem – que nada mais são que caminhos alternativos e flexíveis
para o desenvolvimento pessoal e profissional. Na literatura sobre o
tema, as trilhas de aprendizagem recebem diferentes nomes – rotas,
percursos, trajetórias ou jornadas de aprendizagem (ou de
desenvolvimento, conhecimento, navegação). Resumidamente, cada
pessoa percorre uma trilha diferente da cursada por outras, mesmo que
exerçam funções idênticas em uma empresa ou organização
(Cavalcanti; Filatro, 2018, p. 229).

Oxman e Wong (citados por Cavalcanti; Filatro, 2018, p. 227) indicam que
os sistemas de aprendizagem possuem três aspectos fundamentais:

12
Figura 5 – Aspectos dos sistemas de aprendizagem

Modelo de aprendiz Modelo de conteúdo Modelo instrucional

• o meio para inferir e
diagnosticar
características como
estilos de aprendizagem,
traços de personalidade,
estados motivacionais e
conhecimentos sobre
diferentes tópicos de
estudo
• a forma como um
domínio de conteúdo é
estruturado, com os
resultados de
aprendizagem detalhados
e uma definição de
tarefas que precisam ser
aprendidas; algum
sequenciamento inicial de
conteúdo é
predeterminado, embora
esse sequenciamento
possa mudar com base no
desempenho do aluno;
• o modo como um
sistema seleciona
conteúdo específico para
um aluno especificamente
em um momento
determinado; ou seja,
uma combinação das
informações do modelo
de aprendiz e do modelo
de conteúdo para gerar
atividade ou feedback
com maior probabilidade
de apoiar a
aprendizagem.

Fonte: Oxman; Wong, citados por Cavalcanti; Filatro, 2018, p. 227.

No entanto é importante ressaltar que o aprendizado adaptativo pode não

ser adequado ou se conectar a todas disciplinas e áreas de estudo. Ademais,
devemos ter em mente que a adaptação da aprendizagem vai além da sala de
aula, chegando aos smartphones que se tornaram uma alternativa de ensino para
muitos estudantes, uma vez que os celulares e aplicativos de aprendizado
adaptável podem criar conexões que auxiliam no desenvolvimento de
conhecimento.

TEMA 4 – COMPUTAÇÃO COGNITIVA

Alinhada à inovação no campo educacional com a utilização de dados que

auxiliam na tomada de decisão de professores a respeito do processo de ensino
e aprendizagem, estão os equipamentos e máquinas inovadores que possuem
sistemas de inteligência computacional.
E a computação cognitiva já faz parte do nosso dia a dia. Provavelmente
você acessou ou realizou compras pelo comercio eletrônico. Esses sites utilizam
mecanismos de recomendação que aplicam algoritmos sofisticados de
13
aprendizado de máquina para fornecer aos compradores sugestões de produtos
que são relacionados aos que você está visualizando ou colocou em sua lista de
desejo, com base em suas preferências e no histórico de compras desse item.
Diante desse cenário, neste momento da aula falaremos da computação
cognitiva aplicada ao contexto educacional, que considera a inteligência artificial
(IA), as técnicas tradicionais baseadas em sistemas e explora estatísticas e
modelos matemáticos. Segundo Coccoli, Maresca, Stanganelli (2016), os
sistemas de computação cognitiva podem ser vistos como uma inteligência
artificial com aspectos humanos. Isso porque reproduzem as metodologias de
raciocínio humano, explorando capacidades especiais para lidar com incertezas e
resolver problemas.
Alguns autores acreditam que, se levarmos em conta a evolução da
computação cognitiva, haverá o surgimento de uma nova geração de sistemas de
tecnologia da informação que auxiliarão os indivíduos na resolução de problemas.
Para Coccoli, Maresca, Stanganelli (2016), esses sistemas serão baseados na
simulação de capacidades cognitivas humanas, por meio de sofisticados
algoritmos de aprendizado de máquina trazidos da inteligência artificial, bem como
na imitação do raciocínio humano.
Especificamente no campo educacional, aplicativos e serviços baseados
em computação cognitiva devem ser utilizados para administração e
gerenciamento, como também envolver as atividades de aprendizado dos alunos.
Em relação ao e-learning, já existem algumas experiências da aplicação da
computação cognitiva como um suporte a alunos e professores, como:

a. a integração de serviços de computação cognitiva em aplicativos de

software pode melhorar o desempenho dos alunos nas salas de aula;
b. o uso da computação cognitiva para interações digitais com os alunos pode
melhorar seu desempenho e facilitar o trabalho dos professores no
gerenciamento de aulas e materiais de aprendizagem.

Especialmente como recurso de apoio para professores, os aplicativos

baseados em computação cognitiva podem ser usados na solução de problemas
pertinentes aos alunos, como: abandono escolar, individualização da
aprendizagem, personalização da trajetória de aprendizado. Além disso, segundo
Coccoli, Maresca, Stanganelli (2016, p. 62), o professor pode requisitar que o
“sistema cognitivo-computacional que converse com os alunos, a fim de entender
quais são os pontos fortes e fracos individuais e os possíveis problemas a serem
14
enfrentados”. Diante disso, o professor analisa os dados e então decide quais são
as melhores estratégias para superar os problemas. Talvez você esteja se
perguntando, mas isso é possível? Esse recurso já conhecido como Watson.

Saiba mais

Conheça o Watson, o supercomputador. Moises Albuquerque, 27 fev.

2011. Disponível em:
<https://www.youtube.com/watch?v=I3bJjdT5BYA>. Acesso em: 15 dez. 2019.

Mais detalhadamente, a utilização da computação cognitiva, a fim de

auxiliar professores em suas práticas pedagógicas, pode ser dividida em 6 etapas:

1. o sistema cognitivo identifica pontos fracos e fortes de cada aluno;

2. o sistema cognitivo recomenda comportamento e conteúdo para os alunos
alinhados às suas habilidades e estilos de aprendizagem;
3. o professor seleciona um caminho de aprendizado apropriado e cria um
plano individualizado para cada aluno;
4. os alunos usam o conteúdo recomendado do material do plano;
5. o professor monitora o progresso dos alunos e, possivelmente, faz
pequenos ajustes no plano;
6. o professor usa o sistema de computação cognitiva para identificar as
habilidades dos alunos alinhadas aos padrões definidos.

Com base no exposto, podemos concluir que a combinação da inteligência

artificial e da capacidade humana pode ser grande aliada para a tomada de
decisões voltadas para as práticas pedagógicas e decisões gerenciais. Isso
porque a computação cognitiva simula processos de raciocínio humano,
traduzindo-os em modelos adequados, auxiliando máquinas a aprender e ensinar
aos humanos novos conceitos e comportamentos.

TEMA 5 – MACHINE LEARNING (ML)

O machine learning ou o aprendizado por máquina pode ser definido como

como um campo da ciência da computação que utiliza as técnicas estatísticas para
permitir que os sistemas de computadores tenham a capacidade de aprender. Para
Cavalcanti e Filatro (2018, p. 240), o machine learning é um “subconjunto da
inteligência artificial que proporciona aos computadores a capacidade de manipular

15
um conjunto de dados e daí extrair respostas a perguntas específicas, da mesma
forma que um ser humano faria”.
Ao aplicar o machine learning no contexto educacional, ele poderá tornar o
trabalho de instituições de ensino mais eficiente e fácil, já que engloba todos os
tipos de alunos e pode tornar a aprendizagem personalizável para a necessidade
de cada um. Em relação a isso, listamos a seguir as principais vantagens da adoção
do machine learning:

• Aprendizado personalizado – o machine learning é flexível e atende a todos

os alunos, desde os que aprendem mais rápido quanto os que levam um
pouco mais tempo para aprender. Dessa forma, o machine learning utiliza
os algoritmos para obter informações dos alunos e só permite que esse
avance na aprendizagem caso compreenda todo o conteúdo anterior. Com
isso, o machine learning auxilia na compreensão e monitoramento que os
professores têm em relação ao progresso dos alunos e assim ajudem nas
áreas que são deficientes;
• Análise de conteúdo – refere-se a um sistema em que os professores
instruem os alunos usando as máquinas com o objetivo de analisar as
informações que os professores estão aplicando para ensinar e para
determinar se a qualidade do conteúdo atende aos requisitos básicos. As
máquinas também são empregadas para auxiliar a definir se o conteúdo
ensinado aos alunos está em conformidade com a capacidade intelectual de
cada um;
• Classificação e avaliação – o machine learning é usado com o intuito de
reduzir a quantidade de tempo necessária para avaliar o trabalho do aluno.
Além disso, as máquinas são usadas para aumentar a eficiência e a
responsabilidade do sistema de classificação;
• Progresso dos alunos – usando o machine learning, os professores podem
monitorar cada aluno em um nível pessoal e avaliar seu progresso de
aprendizado individualmente. As máquinas também podem fornecer
padrões de aprendizado adicionais para os alunos, auxiliando os
professores a determinar as melhores maneiras de ensinar aos alunos;
• Análise preditiva – o machine learning pode tirar conclusões sobre situações
que podem acontecer no futuro, como por exemplo, utilizando um conjunto
de dados dos registros dos alunos do ensino médio, a análise preditiva pode

16
 nos dizer quais alunos têm maior probabilidade de desistência por causa de
falha acadêmica ou mesmo sua pontuação prevista em uma avaliação.

É possível notar que o machine learning permite a coleta de dados sobre o

comportamento do aluno, principalmente nas atividades de aprendizagem, por
exemplo, o tempo de conclusão, visualizações de vídeos, atividades de discussão
em grupo, resultados de avaliações etc. Nesse sentido, podem-se utilizar sistemas
de recomendação que orientem a aprendizagem de determinado aluno de forma
específica, a fim de ajudá-lo a identificar o conteúdo que ainda precisa ser
estudado.
O machine learning, então, é usado como um assistente de ensino para
facilitar o trabalho de educadores. Como exemplo disso podemos citar os
sistemas de tutoria baseados em inteligência artificial, que manipula uma grande
quantidade de dados acoplados ao machine learning e oferece orientação
personalizada e complementar aos alunos. Desse modo, o sistema de feedback
fornecido é fundamental para rastrear o progresso dos alunos.
Conforme falamos no início dessa aula, as possibilidades que as
metodologias analíticas apresentam são consideradas uma revolução no contexto
educacional, já que oportuniza o entendimento de como ocorre a aprendizagem
dos alunos, com base na análise dos dados de desempenho. Essa inovação,
então, permite que os atores envolvidos no campo educacional, promovam novas
práticas educacionais que estejam associadas a cada perfil do aluno e sua real
necessidade de aprendizagem.

17
REFERÊNCIAS

COCCOLI, M.; MARESCA, P.; STANGANELLI, L. Cognitive computing in

education. Journal of E-learning and Knowledge Society, v. 12, n. 2, 2016.

FILATRO, A.; CAVALCANTI, C. C. Metodologias inov-ativas na educação

presencial, a distância e corporativa. São Paulo: Saraiva Educação, 2018.

LIÑÁN, L. C.; PÉREZ, Á. A. J. Educational Data Mining and Learning Analytics:

differences, similarities, and time evolution. International Journal of Educational
Technology in Higher Education, v. 12, n. 3, p. 98-112, 2015.

ROMERO, C.; VENTURA, S. Data mining in education. Wiley Interdisciplinary

Reviews: Data Mining and Knowledge Discovery, v. 3, n. 1, p. 12-27, 2013.

SIEMENS, G. Learning analytics: The emergence of a discipline. American

Behavioral Scientist, v. 57, n. 10, p. 1380-1400, 2013.

18