Inteligência Artificial em Sistemas de Tutoria Inteligentes Rumo À Educação Sustentável: Uma Revisão Sistemática

Machine Translated by Google
Lin et al. Ambientes de aprendizagem inteligentes (2023) Ambientes de aprendizagem inteligentes

10:41 https://doi.org/10.1186/s40561-023-00260-y
ANÁLISE Acesso livre
Inteligência artificial em sistemas de tutoria

inteligentes rumo à educação sustentável:
uma revisão sistemática
Chien-Chang Lin1* , Anna YQ Huang1 e Owen HT Lu2
*Correspondência:
Abstrato
cclin3123@gmail.com
1 A educação sustentável é um aspecto crucial da criação de um futuro sustentável, mas enfrenta vários
Universidade Central Nacional,
Taoyuan, Taiwan desafios importantes, incluindo infra-estruturas inadequadas, recursos limitados e falta de sensibilização e
2
Universidade Nacional de Chengchi, envolvimento. A inteligência artificial (IA) tem potencial para enfrentar estes desafios e melhorar a educação sustentável,
Taipei, Taiwan
melhorando o acesso a uma educação de qualidade, criando experiências de aprendizagem personalizadas e apoiando
a tomada de decisões baseada em dados. Um resultado do uso de sistemas de IA e Tecnologia da Informação
(TI) na educação sustentável é a capacidade de fornecer aos alunos experiências pessoais
experiências de aprendizagem personalizadas que atendem aos seus estilos e preferências de aprendizagem únicos.
Além disso, os sistemas de IA podem fornecer aos professores informações baseadas em dados sobre o desempenho,
as emoções e os níveis de envolvimento dos alunos, permitindo-lhes adaptar os seus métodos e abordagens de ensino
ou fornecer assistência ou intervenção em conformidade. No entanto, a utilização de sistemas de IA e TI na educação
sustentável também apresenta desafios, incluindo
questões relacionadas à privacidade e segurança de dados, bem como possíveis preconceitos em algoritmos e modelos
de aprendizado de máquina. Além disso, a implantação destes sistemas requer investimentos significativos em
tecnologia e infra-estruturas, o que pode ser um desafio para os educadores. Neste artigo de revisão, apresentaremos
diferentes perspetivas da educação
engenheiros e arquitetos de soluções de tecnologia da informação para conectar educação e tecnologia de IA
tecnologia. As áreas de discussão incluem conceitos e desafios de educação sustentável, cobertura e resultados
tecnológicos, bem como direções de pesquisas futuras. Por endereço-
Enfrentando estes desafios e prosseguindo a investigação, podemos desbloquear todo o potencial destas tecnologias
e apoiar um sistema educativo mais equitativo e sustentável.
Palavras-chave: Inteligência artificial, Educação sustentável, Sustentabilidade da educação, Sistema de tutoria

inteligente, Curso online aberto e massivo
Introdução
O termo “sustentável” pretende descrever algo que pode ser mantido ou continuado
a longo prazo sem impactos ambientais, sociais ou económicos negativos
significativos. Implica um conceito que atenda às necessidades do presente sem
comprometer as gerações futuras. Para elaborar o conceito de sustentabilidade na
educação, Sterling e Orr (2001) propuseram que a educação sustentável visa
promover uma cultura de aprendizagem que valorize a diversidade, a criatividade e a participação e
© O(s) Autor(es) 2023. Acesso Aberto Este artigo está licenciado sob uma Licença Internacional Creative Commons Atribuição 4.0, que permite o
uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido crédito ao original autor(es)
e a fonte, fornecer um link para a licença Creative Commons e indicar se foram feitas alterações. As imagens ou outro material de terceiros neste
artigo estão incluídos na licença Creative Commons do artigo, salvo indicação em contrário numa linha de crédito ao companheiro.
real. Se o material não estiver incluído na licença Creative Commons do artigo e o uso pretendido não for permitido por regulamentação legal ou
exceder o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais. Para visualizar uma cópia desta licença, visite http://
creativecommons.org/licenses/by/4.0/.
Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 2 de 22
alunos se desenvolvam de forma sustentável. Para estender o conceito de desenvolvimento sustentável

ao âmbito da vida humana, em 2015, as Nações Unidas adotaram um conjunto de 17 objetivos globais
denominados Objetivos de Desenvolvimento Sustentável (ODS) (Nações Unidas, 2015) para acabar
com a pobreza, proteger o planeta , e garantir a paz e a prosperidade para todos até 2030. Vale a pena
notar que a educação é uma das áreas-chave dos ODS, pois é essencial para alcançar todos os
outros objetivos e para construir um futuro mais sustentável.
A educação sustentável visa desenvolver as competências necessárias para atender às necessidades
sociais e ambientais das gerações presentes e futuras. A educação sustentável não é apenas uma
questão de conteúdo, mas também de processo e contexto. Envolve repensar o propósito, os métodos
e os resultados da educação; transformar a cultura, estrutura e práticas das instituições educacionais;
e colaborar e dialogar entre diferentes partes interessadas, tais como educadores, alunos, decisores
políticos, comunidades e organizações não governamentais. A educação sustentável é um processo
contínuo e dinâmico de aprendizagem e mudança que inspira esperança e ação para um mundo melhor.
O quarto objectivo dos ODS, a educação de qualidade, gira em torno da realização de uma educação
sustentável para toda a humanidade. Este objetivo visa garantir uma educação de qualidade inclusiva
e equitativa e promover oportunidades de aprendizagem ao longo da vida para todos. Para atingir o
objectivo de uma educação de qualidade, foram propostas nos ODS 10 metas que abrangem diferentes
aspectos da educação, fornecendo orientações detalhadas para a realização de uma educação de
qualidade; estes incluem a concepção de tecnologias de informação modernas para melhor implementar
uma educação de qualidade e alcançar uma educação sustentável (Nações Unidas, 2015).
A educação sustentável centra-se em cultivar nos alunos capacidades de desenvolvimento
sustentável, pelo que é necessário enfatizar a personalização e a centralização no aluno no processo
de aprendizagem para desenvolver as capacidades de que necessitam. Por esta razão, a integração
de tecnologias de informação modernas, tais como sistemas de tutoria inteligentes (STI), numa
educação de qualidade, tornou-se hoje na principal abordagem para alcançar uma educação sustentável.
Sistemas de tutoria inteligentes (ITSs) são sistemas de aprendizagem baseados em computador

que usam inteligência artificial (IA) para fornecer instrução personalizada e adaptativa aos alunos. O
conceito geral remonta a 1970 (Carbonell, 1970). Esses sistemas podem modelar os estados
psicológicos dos alunos, como motivação, emoção e cognição, bem como seus conhecimentos,
habilidades e preferências anteriores. Eles também podem monitorar o progresso dos alunos, fornecer
feedback, dicas e suporte e selecionar problemas ou tarefas apropriadas para os alunos praticarem.
A aprendizagem melhorada pela tecnologia (TEL) (Deng & Benckendorf, 2020) é outra abordagem à
educação que combina o uso da tecnologia com abordagens inteligentes concebidas para apoiar a
aprendizagem. Tem o potencial de melhorar o ensino e a aprendizagem e transformá-los em alavancas
de crescimento e desenvolvimento sustentável da aprendizagem. Ao integrar tecnologias emergentes,
como redes sociais, ferramentas baseadas na Web, realidade aumentada e virtual, bem como jogos no
ensino e na aprendizagem, o TEL pode melhorar a experiência educativa tanto para professores como
para alunos. Está se tornando uma tendência no sistema educacional que o ensino remoto e híbrido
se torna necessário. Ao aproveitar o TEL, os alunos podem aprender em seu próprio ritmo e ficar mais
engajados durante o aprendizado. No entanto, é importante garantir que a tecnologia seja utilizada de
forma responsável e que os seus efeitos sejam positivos e os seus riscos geríveis.
Junto com as versáteis soluções de aprendizado de máquina de IA da última década, muitos ITSs
foram capacitados por soluções de IA. Por exemplo, o processo de linguagem natural (PNL)
(Liddy, 2001) pode ser usado como um chatbot para interagir com os alunos e fornecer feedback e
intervenções de aprendizagem necessárias (Lin & Mubarok, 2021). O outro exemplo é aproveitar a
poderosa capacidade de mineração de dados do aprendizado de máquina para realizar atividades
analíticas de aprendizagem ou previsão de desempenho (Choi & McClenen, 2020; Ouyang et al., 2023).
Outras áreas incluem o aproveitamento do reconhecimento de imagens para identificar expressões
faciais, gestos ou emoções dos alunos para informar as ações futuras dos professores (Leony et al.,
2013; Singh et al., 2022).
Os sistemas de IA podem desempenhar um papel significativo na educação sustentável. Algoritmos
alimentados por IA podem ser usados para analisar dados de alunos e criar experiências de
aprendizagem personalizadas para cada aluno. Isso pode ajudar os alunos a aprender de forma mais
eficaz e eficiente, ao mesmo tempo que reduz a quantidade de tempo e recursos necessários para os
métodos de ensino tradicionais. Existem vários sistemas de IA que podem ser utilizados na educação
sustentável. Um exemplo são os sistemas de aprendizagem personalizados que usam algoritmos
alimentados por IA para analisar os dados dos alunos e criar experiências de aprendizagem
personalizadas para cada aluno. Outro exemplo são os chatbots alimentados por IA que podem
responder às perguntas dos alunos e oferecer-lhes experiências de aprendizagem individualizadas. O
outro exemplo típico é que a tecnologia habilitada para IA também pode ser usada para prever o
desempenho e monitorar o desempenho dos alunos em tempo real, para que a intervenção necessária possa ser fornecida aos instrutores
Do ponto de vista dos educadores, um STI pode funcionar como uma ferramenta potencial para
melhorar as suas práticas de ensino e aprendizagem, e não como uma ameaça ou um substituto. Os
ITS podem oferecer vários benefícios aos educadores, como o fornecimento de instrução individualizada
e diferenciada para diversos alunos, que é um dos conceitos-chave para a mudança de processos
centrados no professor para processos centrados no aluno (Ogunkunle & Qu, 2020 ; Silva et al. , 2022).
Os ITS também podem sobrecarregar a carga de trabalho dos professores em tarefas rotineiras, como
feedback e correção de notas, para que os professores possam se concentrar mais no ensino em si
(Ata-pattu & Falkner, 2016; Tobarra et al., 2021). Em última análise, os professores promoverão a
aprendizagem ao longo da vida e o desenvolvimento profissional não só dos alunos, mas também deles próprios.
Haverá algumas lacunas ao trazer soluções de TI aos educadores, especialmente quando os
educadores forem solicitados a implementar um sistema de tutoria inteligente com recursos modernos
de inteligência artificial habilitados. Alguns exemplos de lacunas incluem a falta de compreensão de
como funciona a tecnologia de TI, as dificuldades de integração dos ITS nos currículos educativos, a
criação de avaliações eficazes para os ITS e as preocupações com o financiamento.
Mesmo que o ITS seja construído adequadamente, treinar instrutores para usar o sistema de forma
eficaz pode ser outro desafio. Assim, estamos tentando abordar as lacunas e os desafios deste artigo
de revisão e fornecer orientação para educadores e arquitetos de soluções de TI, revisando diferentes
abordagens para a implementação de sistemas de tutoria.
Neste artigo de revisão, uniremos as perspectivas de educadores e especialistas em tecnologia da
informação sobre a educação sustentável. Além disso, estendemos a definição original de ITS para
ser IA e aprendizado de máquina incorporados. Abaixo está a agenda de pesquisa e as questões que
iremos abordar.
• Fundo
• Definir o título e as principais áreas de foco dos artigos pesquisados.

• Definir a origem da seleção dos artigos.
• Definir as palavras-chave, critérios de triagem e faixa etária dos artigos pesquisados.
• Rever, estudar, categorizar e determinar a relevância.
• Definir o público-alvo deste artigo pesquisado.
• Quais são os principais desafios para a educação sustentável?
• Quais são os principais desafios da implementação da educação sustentável?

• Quais são os principais desafios dos professores?
• Quais são os principais desafios dos alunos?
• Existem outros desafios importantes?
• Como a IA e as TI são incorporadas como ITS para apoiar a educação sustentável?
• Quais são os principais fatores a serem considerados ao construir sistemas de IA/TI para apoiar a sustentabilidade
educação sustentável?
• Quais são as soluções típicas de IA/TI utilizadas para apoiar a educação sustentável?
• O que e como são os métodos pedagógicos integrados nas soluções de IA/TI?
• Como são acumulados e analisados os dados estatísticos de aprendizagem?
• Quais são os resultados e desafios da IA/TI incorporada como ITS em ambientes sustentáveis
Educação?
• Qual é o mecanismo de medição dos resultados e qual é o resultado?
• Qual é o nível de confiança e explicação ao usar IA/TI na educação sustentável?
• Qual é a tendência futura da educação sustentável em ITS integrados em IA/TI?
• Qual é a área potencial na qual podemos investir mais esforços de IA/TI?
• Quais são as oportunidades de melhoria dos sistemas de IA/TI existentes atualmente?
Assim, com base na agenda de pesquisa, as seguintes 4 questões de pesquisa serão

abordado e respondido.
• QP1: Quais são os principais desafios da implementação da educação sustentável?

• QP2: Como a IA e as TI são incorporadas como ITS para apoiar a educação sustentável?
• RQ3: Quais são os resultados da IA/TI sendo incorporada como ITS em ambientes sustentáveis?
Educação?
• QP4: Qual é a tendência futura dos ITS integrados em IA/TI na educação sustentável?
Nas seções restantes deste artigo, ilustraremos a metodologia geral de como desenvolvemos este estudo de
revisão. Na seção "Metodologia", faremos uma revisão da literatura e compartilharemos alguns casos e cenários
típicos sobre como a IA apoia
educação sustentável. Na seção “Resultados e discussão”, detalharemos o detalhamento das informações
coletadas nos artigos revisados, discutiremos os resultados e responderemos às questões de pesquisa. Na

última seção, concluiremos o estudo geral e discutiremos as tendências futuras.
Revisão da literatura
A tendência de mudar os cenários de ensino do estilo tradicional de sala de aula para o remoto, virtual e
misto é inevitável. Existem muitas pesquisas focadas em como aproveitar o TEL para tornar o aprendizado
geral mais eficiente e envolvente. Xie et al. (2019) analisaram a tendência e como e que tipo de tecnologias
são aplicadas no ambiente de aprendizagem.
Há também foco na revisão em assuntos específicos, como matemática (Yang et al., 2019) e química (Wu et
al., 2021) , aproveitando o TEL, que mostra os benefícios ao incorporar tecnologias na aprendizagem.
Com mais cursos instrucionais sendo transferidos para on-line e se tornando acessíveis remotamente, os
dados gerados pelo sistema também se tornam mais complicados de gerenciar. A mineração de big data
junto com a IA tornou-se popular no exame da tecnologia da informação em sistemas educacionais. Yousuf
e Wahid (2021) elaboraram diferentes tipos de áreas e aplicações nas quais a IA pode apoiar, bem como
fornecer bons insights para a pesquisa seguinte.
Existem diferentes perspectivas quando se analisa como a IA pode apoiar os ITS na direcção de uma
educação sustentável. É razoável rever diferentes implementações com um quadro padronizado que possa
ajudar os investigadores a obter uma compreensão decente e apoiar a implementação de uma educação
sustentável. Para ajudar os pesquisadores, Gillani et al. (2023) definiram com precisão diferentes dimensões
de mecanismos de revisão, que também foram adotadas neste estudo.
Existem duas categorias principais de integração de IA com sistemas de tutoria. O primeiro é não interferir
no sistema de tutoria e extrair dados de registro para análise posterior. Este tipo de abordagem normalmente
aproveita muita mineração de dados e agrupamento para derivar comportamentos de aprendizagem (Corrigan
et al., 2015b; Ouyang et al., 2023; Weng et al., 2020). Ao categorizar comportamentos de aprendizagem,
metodologia de aprendizagem não supervisionada e algoritmos de agrupamento são geralmente usados,
uma vez que não há dados reais para treinar o modelo. A outra abordagem importante é a previsão de
desempenho (Afzaal et al., 2021; Choi & McClenen, 2020; Serrano-Laguna et al., 2018) e envolve a extração
de recursos e algoritmos de aprendizado de máquina por meio de aprendizado supervisionado.
A outra categoria de integração da IA com sistemas de tutoria é mais difícil de implementar. Normalmente,
neste tipo de implementação, a personalização pode ser melhor considerada em termos de processo de
aprendizagem (Singh et al., 2022; Tobarra et al., 2021) ou intervenção (Weng et al., 2020). Para este tipo de
integração, a arquitetura do sistema precisa ser considerada juntamente com a infexibilidade, uma vez que
o algoritmo de IA está fortemente integrado ao sistema; é também um tipo de implementação de aprendizagem
adaptativa (Paramythis & Loidl-Reisinger, 2003) (Par-amythis & Loidl-Reisinger, 2003) . Os ITS integrados
com IA podem ter uma melhor capacidade de adaptação para responder ao estado de aprendizagem em
tempo real dos alunos e ter uma melhor oportunidade de intervir com os alunos para fornecer a assistência
necessária precocemente.
Muitos estudos centraram-se no envolvimento e na prevenção do abandono escolar. Leony et al. (2013)
aproveitam as expressões faciais dos alunos capturadas por câmeras e aproveitam a máquina
algoritmos de reconhecimento de imagem para detectar emoções dos alunos. Pereira et al. (2019) aproveitam
dados históricos de registro do sistema e treinam um programa de aprendizado de máquina para detectar
se o aluno abandonará um curso on-line, o que também fornece assistência ao professor em termos de
engajamento.
A principal contribuição da exploração da IA na educação provavelmente ainda não foi totalmente
descoberta. Embora a Inteligência Artificial Explicável (XAI) esteja se tornando popular no mundo da ciência
da computação, ela ainda está sendo introduzida na área educacional. Afzaal et al. (2021) usaram um método
contrafactual para explicar como um algoritmo de IA fornecia previsões aos instrutores para fornecer aos
alunos a assistência necessária. Na outra pesquisa de Pereira et al. (2021), um algoritmo XAI desenvolvido
mais recentemente chamado SHAP foi usado para explicar o resultado da previsão.
Metodologia
O processo de conceituação deste artigo de revisão é baseado no livro “Qualitative Research from Start to
Finish” de Yin (2015) com a metodologia analítica mencionada em (Chatti et al., 2012). A metodologia geral
de revisão de artigos e a estrutura de conteúdo seguem a metodologia PRISMA (Page et al., 2021) .
Conceitualização
Com base no modelo analítico proposto por Chatti et al. (2012), podemos colocar nosso tema principal no
centro e considerar quatro dimensões diferentes em torno do tema, conforme mostrado na Figura 1. Partimos
do “Porquê” e focamos nos objetivos de pesquisa provenientes da agenda de pesquisa e das questões de
pesquisa . Também conduzimos uma sessão de brainstorming com alguns pesquisadores para definir “Quem”
são os principais stakeholders e o que eles estarão interessados em saber e com o que podemos contribuir
com este artigo de revisão.
Figura 1 Modelo analítico de IA em sistemas de tutoria inteligentes

Este documento de revisão centra-se nos educadores do setor dos ODS e na I&D de tecnologia
educacional para fornecer uma revisão sistemática de como os sistemas de IA apoiam a educação
sustentável. Pode contribuir para a compreensão e o alinhamento entre os educadores e a
tecnologia de TI na construção de soluções adequadas, bem como para o aprimoramento
potencial futuro em direção à educação sustentável. Discutiremos “O quê” e “Como” na seção seguinte.
Processo de seleção de papel
O processo geral de seleção e triagem de artigos é ilustrado na figura a seguir, que segue o
processo de seleção de artigos PRISMA desde a identificação, triagem e elegibilidade. Este
processo fornece aos pesquisadores uma maneira robusta e sistemática de definir o escopo dos
artigos alvo para revisão. Tudo começa com filtragem de alto nível, triagem de resumos e,
finalmente, revisão de elegibilidade do conteúdo. O processo e a contagem de artigos pesquisados são ilustrados na Fig.
Primeiro, a busca de artigos para RQ1 foi realizada principalmente no Scopus com as palavras-
chave “Educação Sustentável” e “Desafio”. Encontramos 113 artigos no total e limitamos os
resultados da pesquisa a artigos de conferências ou periódicos escritos apenas em inglês. A
instrução de consulta pode ser listada como segue.
(TÍTULO-ABS-KEY (“educação sustentável”) E TÍTULO-ABS-KEY (desafio))
AND ( LIMIT-TO ( LANGUAGE, "English" ) AND ( LIMIT-TO ( SRCTYPE, "j" ) OR LIMIT-TO
( SRCTYPE, "p" ) ) )
Para os RQ 2 a 4, utilizamos Scopus e Web of Science (SSCI) para pesquisar os artigos pesquisados. As
palavras-chave que utilizamos foram “Inteligência Artificial” AND (“Education Sustain-ability” OR “Sustainable
Education” OR “Learning Analytics”). Inicialmente usamos especificamente “sistema de tutoria inteligente”
como palavra-chave, mas não filtramos um bom número de artigos e depois ampliamos o escopo para
“inteligência artificial” para cobrir geralmente “sistema de tutoria inteligente” e “curso on-line aberto e massivo” .
Os resultados iniciais da pesquisa foram 465 artigos da Scopus e 88 da SSCI. Abaixo estão as declarações
de consulta de ambos.
(TITLE-ABS-KEY (“inteligência artificial”) E (TITLE-ABS-KEY (“sustentabilidade da educação”)

OU TITLE-ABS-KEY (“educação sustentável”) OU TITLE-ABS-KEY (“análise de aprendizagem”) )
E (LIMITE-TO (DOCTYPE, "cp" ) OU LIMITE-TO (DOC-
TYPE, "ar" ) ) AND ( LIMIT-TO ( LANGUAGE, "English" ) )
Fig. 2 Processo de seleção de papel

Tabela 1 Critérios de inclusão e exclusão de triagem de artigos
Inclusão Exclusão
Publicado entre o ano de 2014 a 2023 em língua Publicado antes de 2014
inglesa Doc. tipo: jornal Não em inglês
ou artigo de conferência Outros tipos de documentos (por exemplo, livros)
Concentre-se em casos educacionais escolares reais Foco na metodologia ou não escolar
Abordar resultados e desafios Nenhum resultado ou desafios abordados
Deve ter um sistema embarcado de TI Sem sistemas embarcados de TI
Tabela 2 Esquema de codificação para análise das publicações incluídas
Categoria Código Descrição do rótulo
Tipo de dados (o quê) Tipo de dados A1 Refere-se a qualquer tipo de dados, como dados acadêmicos, dados de desempenho,
dados de interação, etc., coletados pela tutoria para apoiar
práticas de feedback portuário na educação
Métodos (como) Aprendizado de máquina B1 Refere-se aos métodos de aprendizado de máquina, como rede neural,
para aprender com dados e executar tarefas em sistemas de tutoria.
Mineração de dados B2 Refere-se aos métodos de mineração de dados, como clustering, class-
sifcação, árvore de decisão, regressão, etc. que são usados para analisar dados
dentro de sistemas de tutoria
Jogos B3 Refere-se ao aproveitamento de métodos de jogo em sistemas de tutoria
Outros B4 Refere-se a outros métodos, como sistemas caseiros
Objetivos (por quê) Monitoramento C1 Refere-se ao acompanhamento do desempenho de aprendizagem dos alunos
Predição C2 Refere-se à previsão do comportamento e desempenho de aprendizagem dos alunos.

mance
Avaliação C3 Refere-se a fornecer uma avaliação baseada em evidências
Adaptação C4 Refere-se a fornecer um cenário de aprendizagem adaptável e flexível

Personalização C5 Refere-se ao fornecimento de cenários de treinamento individualizados
Recomendação C6 Refere-se a fornecer recomendações sobre o que fazer a seguir

Outros C7 Refere-se a qualquer outro objetivo que possa ajudar a apoiar os alunos
Alunos-alvo e partes Elementar D1 Refere-se aos alunos do ensino fundamental como os alunos
interessadas (quem) D2
Ensino médio Refere-se aos alunos do ensino médio como os alunos
Universidade D3 Refere-se aos estudantes universitários como os alunos

Outros D4 Refere-se a não mencionado especificamente quem são os alunos
ALL=( "inteligência artificial" ) AND ( ALL=( "educação sustentável" ) OR ALL=( "sustentabilidade

da educação" ) OR ALL=( "análise de aprendizagem" ) ) e Acesso Aberto e Artigo (Tipos de
Documentos)
Aplicamos a mesma limitação do QR 1 para os QR 2 a 4, ou seja, limitamos o resultado da
pesquisa apenas a artigos de periódicos ou conferências e o idioma apenas ao inglês. Além disso,
para os artigos RQ 2 a RQ 4, definimos ainda mais os critérios de inclusão e exclusão na Tabela 1
para que pudéssemos primeiro realizar a filtragem para direcionar os artigos de que precisávamos.
Dez, conduzimos um processo de triagem e elegibilidade dos artigos pesquisados com a equipe
de pesquisa. Finalmente, selecionamos 8 para apoiar o RQ 1, juntamente com outros artigos
selecionados ad hoc para discutir os desafios da educação sustentável. Para os RQ 2 a 4,
selecionamos 29 artigos que abordam especificamente como a IA é alavancada no ITS com cenários
educacionais reais para discussão posterior, que serão descritos detalhadamente e discutidos posteriormente.
Resultados e discussão
De todos os artigos selecionados nesta revisão sistemática, houve 8 para a revisão dos desafios da
educação sustentável e 29 para a revisão da IA com ITS. O esquema de códigos de todos os
artigos selecionados é mostrado na Tabela 2.
Para os 29 artigos sobre IA com ITS, a distribuição dos países e regiões com os níveis de
escolaridade envolvidos é apresentada na Tabela 3.
Há um total de 13 artigos (Choi & McClenen, 2020; Hasnine et al., 2018; Jiang et al., 2019; Lee
et al., 2021; Lin & Mubarok, 2021; Lu et al., 2018; Niyogisubizo et al., 2018; Niyogisubizo et al. al
[ artigo gratuito do PMC] [PubMed] [Cruz Ref] Ouyang et al., 2022; Ouyang et al., 2023; Silva et al .,
2022; Singh et al., 2022; Tzeng et al., 2022 ; Ásia, 9 artigos (Afzaal et al., 2021; Corrigan et al.,
2015a, b; Guerrero-Higueras et al., 2018; Llurba et al., 2022; Perikos et al., 2017; Ruipé-rez-
Valiente et al 5 artigos ( Monpetit & Sabourin, 2016; Ogunkunle & Qu, 2020; Serrano-Laguna et al.,
2018 ; Tobarra et al., 2021) da Europa, 5 artigos ( Monpetit & Sabourin, 2016 ; Ogunkunle & Qu,
2020 ; , 2019 ; Xing & Goggins, 2015) dos Estados Unidos e 2 artigos (Atapattu & Falkner, 2016;
Leony et al., 2013) . A maioria dos alvos do experimento de estudo são universitários ou superiores
(total de 19 artigos), o que significa que os pesquisadores estão mais interessados no ensino
superior, provavelmente porque o ambiente de ensino e aprendizagem é mais diversificado para a
coleta de dados.
RQ1: quais são os principais desafios da implementação da educação sustentável?

Quando Sterling e Orr (2001) começaram a defender que a educação sustentável deve ser
construída sobre a sustentabilidade de todo o sistema ecológico, discutiram alguns desafios no seu
livro. Desafios típicos como o paradigma da educação são incompatíveis com o princípio da
sustentabilidade porque é mecanicista e impulsionado pelos negócios. O outro aspecto daquilo que
mencionou é o desafio fundamental em que todo o sistema educativo está largamente fragmentado,
isolado e não funciona bem de forma colaborativa.
Na última década, a maioria dos governos e educadores promoveram a educação sustentável de
todas as formas, juntamente com os ODS das Nações Unidas (2015) , e os desafios
Tabela 3 Pesquisas selecionadas por país e níveis de ensino
Regiões País Contar Nível de educação
Ásia Taiwan 5 Ensino médio: 1, Universidade: 4
China 3 Universidade: 1, Graduação: 1, Geral: 1
Japão 2 Universidade: 2
Coréia 1 Universidade: 1
Índia 1 N/A: 1
Sri Lanka 1 Ensino médio: 1
Europa Espanha 5 Ensino médio: 2, Universidade: 2, N/A: 1
Irlanda 2 Universidade: 2
Suécia 1 Universidade: 1
Grécia 1 Universidade: 1
América NÓS 2 K-12: 1, N/A: 1
Canadá 1 N/A: 1
Brasil 2 Universidade: 1, N/A: 1
Oceânia Austrália 2 Universidade: 2

mudaram para um ângulo diferente, especialmente depois que a tecnologia da informação foi integrada
na implementação de todo o sistema educacional sustentável. Os conceitos de sustentabilidade
surgiram gradualmente como parte dos currículos educacionais e os desafios com a IA e a tecnologia
da informação tornaram-se mais óbvios. Ainda pode haver resistência (Smaniotto et al., 2023; Wade,
2012), mentalidade (Tsegay et al., 2022) e consciência (Khahro & Javed, 2022; Shah et al., 2022;
Smaniotto et al. , 2023) , mas eventualmente, estas questões serão melhoradas através da implantação
da cultura de sustentabilidade através da tecnologia da informação nas escolas. Como afirmamos
anteriormente neste documento de revisão, os desafios podem vir das perspectivas de TI, bem como
do sistema educacional. Abaixo estão o resumo dos principais desafios do artigo pesquisado que
selecionamos:
• [C1] Mais desafios para cuidar de mais alunos durante o ambiente de aprendizagem virtual ou
combinado (Tsegay et al., 2022; Wade, 2012), pode ser porque os alunos são remotos,
especialmente como na situação de COVID, e os instrutores são forçados a usar sistemas de
tutoria para ministrar cursos on-line.
• [C2] Acesso global desigual, falta de dispositivos para conectividade ou largura de banda (Simuÿ
et al., 2021; Wade, 2012). A conectividade de rede se torna um gargalo quando os alunos
precisam participar do treinamento remotamente, e se torna outro desafio garantir a qualidade
da conectividade e largura de banda saudável.
• [C3] TIC dos professores (Tecnologia da Informação e Comunicação, o que significa a integração
de telecomunicações e computadores, bem como software empresarial, middleware,
armazenamento e audiovisual necessários, que permitem aos utilizadores aceder, armazenar,
transmitir, compreender e manipular informação. ) habilidade docente, uso e aceitação de novas
tecnologias (Saudelli & Niemczyk, 2022; Simuÿ et al., 2021; Tsegay et al., 2022). Será necessária
mais formação para melhorar o conjunto de competências dos professores na utilização de
ferramentas da Internet, para garantir que os professores aceitam as novas tecnologias.
• [C4] Falta de interação física e emocional (Simuÿ et al., 2021). Devido ao ambiente virtual de
treinamento, os professores se preocuparão com a falta de interação dos alunos.
ção.
• [C5] Aprendizagem colaborativa limitada dos alunos (Acevedo-Duque et al., 2023). A colaboração
dos alunos será limitada pelos sistemas, uma vez que os alunos não podem se ver no ambiente
de treinamento virtual e remoto.
• [C6] Preocupação com o envolvimento e o abandono em ambientes virtuais de aprendizagem
(Khahro & Javed, 2022; Simuÿ et al., 2021). É outro desafio que os alunos abandonem por
perderem a atenção sem a intervenção dos professores.
• [C7] Preocupação com privacidade e segurança (Tewari, 2020). Esta é outra área desafiadora
quando os alunos precisam fornecer identificação pessoal através da internet, bem como
características biológicas faciais.
• [C8] Justiça e correção de preconceito (Tewari, 2020). Ao aproveitar os sistemas de IA, o sistema
será muito desafiador para fornecer interações justas e sem preconceitos.
• [C9] Interpretabilidade e transparência (Smaniotto et al., 2023; Tewari, 2020). Fornecer explicações
abrangentes do sistema de IA aos professores é outro grande desafio. Os educadores sempre
precisarão de uma boa explicação para confiar no sistema de IA ao fornecer qualquer previsão e
intervenção.
Com base nos desafios listados acima, deve haver algumas recomendações e orientações que
podem ser dadas aos educadores e arquitetos de soluções de TI ao implementar soluções
educacionais sustentáveis. Abaixo estão as principais recomendações resumidas dos artigos
pesquisados.
• Conscientização [C1, C3]: A tendência da tecnologia emergente de IA na educação está se

tornando inevitável. Fundamentalmente, a sensibilização para a educação sustentável e os
objetivos dos ODS está a tornar-se fundamental para todo o ecossistema educativo.
• Política e regulamentação [C7]: Sem dúvida, o apoio governamental e institucional é outra chave
para a implementação da educação sustentável para apoiar os educadores, uma vez que os
governos são responsáveis pela implementação eficaz, responsável e inclusiva dos ODS. As
políticas e os regulamentos, que também precisam de ser promulgados a nível governamental,
também podem abranger a protecção da privacidade e da segurança.
• Capacitação tecnológica [C3, C4, C5, C6]: Os instrutores devem ser treinados em mais conceitos
baseados em IA que possam ser potencialmente aproveitados em sistemas educacionais, bem
como nas novas habilidades digitais das Ferramentas de Conectividade da Internet (TIC).
Eventualmente, os instrutores precisam saber como incorporar estratégias e teorias pedagógicas
no sistema de IA para tornar tudo significativo.
• Preparação da infraestrutura [C2]: Obviamente, a IA e a tecnologia de TI podem ser um acelerador
e inovação em direção aos ODS; portanto, considerar a conectividade à Internet com dispositivos
decentes torna-se crucial. Isto também pode incluir a consideração da inclusão ou da diversidade
de estudantes que necessitam de participar no ensino à distância.
• Sistemas explicáveis [C8, C9]: Uma das principais responsabilidades da arquitetura de soluções
de IA e TI é desenvolver sistemas inclusivos e de qualidade que possam apoiar a tomada de
decisões explicáveis baseadas em dados para professores e alunos, a fim de melhorar os
resultados de aprendizagem. Só desta forma a IA e a TI podem proporcionar um ambiente com
justiça, responsabilização, fiabilidade e ética (Khosravi et al., 2022) para uma educação sustentável.
Estes desafios exigem uma acção colaborativa e colectiva de todas as partes interessadas
envolvidas na educação e arquitectos de soluções de TI, tais como decisores políticos, educadores,
investigadores, pais e estudantes. Precisamos de trabalhar em conjunto para encontrar soluções
inovadoras e inclusivas que possam garantir uma educação sustentável para todos no século XXI.
RQ2: como a IA e a TI são incorporadas como ITS para apoiar a educação sustentável?
Existem diferentes propósitos e objectivos quando se consideram os ITS na implementação da
educação sustentável. No entanto, um dos principais pontos de consideração é a necessidade de ser
mais centrado no aluno. Abaixo, na Tabela 4, listamos os principais objetivos dos 29 artigos
pesquisados selecionados.
Existem muitas pesquisas focadas na previsão de desempenho dos alunos com base nos logs dos
sistemas gerados durante a interação entre os alunos e os sistemas.
A abordagem típica envolve o uso de algoritmos de aprendizado de máquina com um processo de
extração de recursos para prever o desempenho dos alunos (Guerrero-Higueras et al., 2018; Yang et
al., 2021a, b). Os próximos objetivos principais são identificar os comportamentos de aprendizagem
dos alunos (Lee et al., 2021; Weng et al., 2020), que provavelmente serão inseridos na máquina
Tabela 4 Finalidades do uso de IA em sistemas tutores inteligentes
Propósito Descrição Contar
Previsão de desempenho Aproveite algoritmos de aprendizado de máquina para prever o 13

desempenho dos resultados dos alunos
Análise do Comportamento de Aprendizagem Aproveite o log do sistema para realizar clustering e gerar diferentes 9
comportamentos de aprendizagem
Engajamento e prevenção de abandono Detecção de riscos de abandono aproveitando o aprendizado de máquina 5

programas
Fornecer intervenção Fornecer a intervenção necessária aprendendo comportamentos identificáveis 3
cátion
Adaptação/Personalização Forneça episódios de treinamento personalizados para melhorar o 5

desempenho dos alunos
Suporte aos Instrutores Forneça informações (como emoções) para ajudar os instrutores a adotar 4
ações para ajudar os alunos
Avaliação de Sistemas de Tutoria Avaliação do desempenho do sistema de tutoria para melhorias futuras 2
Melhoria da Aprendizagem de Autorregulação Avaliar a melhoria da capacidade de Aprendizagem de Autorregulação 2

cidade por pesquisa
Um estudo pode ter vários propósitos
algoritmo de aprendizagem para maior previsão de desempenho. A identificação do comportamento pode

fazer parte da engenharia de recursos, e os educadores estão altamente interessados em quais estratégias
de aprendizagem são adotadas durante o processo de aprendizagem. Os outros objetivos também se
concentram no envolvimento dos alunos para prevenir o tédio e o abandono (Niyogisubizo et al., 2022; Pereira
et al., 2019) e na personalização (Ogunkunle & Qu, 2020) e fornecer aos instrutores o momento adequado
para entregar intervenções (Lin & Mubarok, 2021) e assistência aos estudantes.
Ao considerar a adaptação e personalização em sistemas de tutoria, uma das formas como a IA está a ser
utilizada nestes sistemas para personalização é através da aprendizagem adaptativa. A aprendizagem
adaptativa é uma abordagem personalizada de aprendizagem que tira o melhor proveito da aprendizagem
de cada aluno, e as categorias e diretrizes foram recomendadas em (Paramythis & Loidl-Reisinger, 2003).
Isto significa que a utilização da IA na aprendizagem adaptativa envolve a análise dos padrões de
aprendizagem dos alunos e o desenvolvimento de um processo de aprendizagem personalizado que os
ajudará a alcançar o seu melhor desempenho académico. Através deste uso inteligente da IA, os tutores
podem identificar os pontos fortes e fracos dos alunos e, em seguida, adaptar as suas estratégias de ensino
para atender às suas necessidades individuais.
Se examinarmos mais detalhadamente como a IA e a tecnologia da informação são incorporadas aos ITS,
na Tabela 5 abaixo, listamos quais tecnologias apoiam os diferentes objetivos em diferentes
caminhos.
A maior parte da tecnologia de IA incorporada nos ITS consiste em algoritmos de aprendizagem

automática, especialmente quando o arquiteto do sistema não quer interferir nos ITS originais.
Normalmente, um processo offline está envolvido na execução do aprendizado de máquina e no fornecimento
das informações necessárias e na interação com instrutores ou alunos. Gillani et al. (2023) fornece uma
maneira sistemática de mapear algoritmos de aprendizado de máquina com diferentes propósitos de ITS.
Em nosso estudo, a maior parte da tecnologia de aprendizado de máquina usada para previsão de
desempenho é aprendizado supervisionado (Corrigan et al.,), uma vez que precisamos de muitos dados
históricos de treinamento rotulados para treinar o modelo. No entanto, outra preocupação deste tipo de abordagem é
Tabela 5 IA e tecnologia utilizadas em sistemas tutores inteligentes
Objetivo Categoria Descrição da tecnologia Contar
Previsão de desempenho Aprendizagem Supervisionada Regressão Logística ou Linear: 5, 33
SVM (máquina de vetores de suporte):

5, BayesNet/NB (Rede Nayes ou Naive
Bayes): 4, RF (Random
Floresta) 3, NN (Rede Neural)
4, AB/XGBoost (adaptável ou
Aumento extremo do gradiente): 3,
CART (Classificação e Regresÿ
Árvore de missão): 2
Aprendizagem não supervisionada KNN (K bairro mais próximo): 4 4
Outros Nova abordagem ou outros modelos 7
Análise do Comportamento de Aprendizagem Aprendizagem não supervisionada KNN: 4, SVM: 2 6
Aprendizagem Supervisionada Regressão: 1, RF: 1, NN: 1, 5

XGBoost: 2
Outros Abordagem nova ou referência a outros 3

estudos
Suporte aos instrutores Processamento de linguagem natural LDA (Alocação Latente de Dirichlet): 4
Apoiar 1, DistilBERT (Destilado Bidirecÿ

Representação do codificador nacional
Transformador): 1, NLTK (Python
Kit de ferramentas de linguagem natural): 1,
PyCharm (Desenvolvimento Python
Conjunto): 1
Tomada de decisão e facial HMM (modelos Mokov ocultos): 1, 3
Reconhecimento Azure para ER (Reconhecimento Emocional

ção), OpenCV (Detecção Facial
Conjunto)
Outros Nova abordagem/consulte outros 1

estudos
Previsão de engajamento e abandono SVM Máquina de vetores de suporte 1

ção
Aprendizagem Supervisionada SVM: 1, RF: 1, XGBoost: 1, GB 4
(Aumento de gradiente): 1, NN: 1
Outros Abordagem nova/Consulte outras 1

estudos
Adaptação/Personalização CNN (Facial) Rede Neural Convolucional 1
TensorFlow API de detecção de objetos TensorFlow 1
Replicação de API API do chatbot 1
Intervenção de Aprendizagem e-mail Envio de lembrete por e-mail 1
Lembrete do sistema Sistema lembra instrutores 2
Avaliação Diretrizes Diretrizes para arquitetos de sistema 2
Explicação XI Método contrafactual e SHAP 2
Um estudo pode ter múltiplas tecnologias de IA envolvidas
sobre preconceito, justiça e igualdade devido a questões de overftting, o que significa que os pesquisadores podem
precisar de mais e melhores dados de treinamento.
Por outro lado, ao realizar a análise do comportamento de aprendizagem (Pereira et al., 2021; Weng et al.,
2020), a maior parte da tecnologia utilizada recorre à aprendizagem não supervisionada, o que também faz sentido,
uma vez que não existem dados reais para o treino do modelo. e o conceito geral é para agrupamento ou
categorização sem qualquer referência. Além dos objetivos e da tecnologia embarcada, precisamos também
examinar o cenário utilizado pelo educador para responder o QR 2 de forma mais completa. Na Tabela 6 listamos
os cenários pedagógicos típicos nos 29 artigos pesquisados.

Tabela 6 Cenários de IA utilizados em sistemas tutores inteligentes
Categoria Cenários principais Alvos Contar
IA não incorporada nos Previsão de desempenho e análise de comportamentos Instrutores 18
sistemas de tutoria Aprendizes 1

Intervenção automática do sistema
Recomendação de intervenção Instrutores 1
Fornecer explicação do resultado/comportamento Instrutores 2
Geração de tópicos de discussão Instrutores 1
Análise emocional Instrutores 2
Notificação precoce de prevenção de abandono Instrutores 1
IA incorporada no Jogos sérios e interação com os alunos Aprendizes 2
Sistemas de tutoria Aprendizes 2

Decisão inteligente do caminho de aprendizagem (Interativo)
Linguagem natural ou interação com chatbot Aprendizes 3
Um estudo pode ter vários cenários envolvidos
Tabela 7 Resultado observado de sistemas de tutoria inteligentes com suporte de IA e TI
Categoria Descrição Contar
IA não incorporada nos Algoritmo de previsão de desempenho verificado com alta precisão 10
sistemas de tutoria Comportamentos dos alunos identificados 6
A taxa de participação dos alunos melhorou com a notificação precoce do abandono 5
O desempenho da aprendizagem melhorou após a intervenção fornecida 2
Forneça resultados explicáveis aos instrutores 2
Lembre os instrutores de ajudar os alunos por meio da detecção de emoções 2
Os tópicos gerados pela IA são verificados 1
Desempenho melhorado após feedback de diagnóstico personalizado fornecido 1
Desempenho melhorado após detecção e recomendação emocional 1
A satisfação dos alunos aumentou 1
IA incorporada no Desempenho melhorado pela interação com o sistema de IA 3
Sistemas de tutoria 1
Conhecimento adquirido e verificado
Maior interesse com maior engajamento 1
Desempenho melhorado ao fornecer um caminho de aprendizagem personalizado 1
Lembre os instrutores de ajudar os alunos por meio da detecção de emoções 1
Um estudo pode ter vários resultados identificados
O cenário principal envolve instrutores prevendo o desempenho dos alunos com base nos
comportamentos de aprendizagem capturados durante o processo de aprendizagem. Aqui,
combinamos previsão de desempenho e análise de comportamento porque normalmente os
comportamentos de aprendizagem são capturados como um dos recursos para previsão de
desempenho (Ouyang et al., 2023; Weng et al., 2020). Alguns dos cenários são para que os instrutores
adotem as ações necessárias para a intervenção, enquanto alguns dos cenários são para que os
alunos tenham experiências de aprendizagem personalizadas (Serrano-Laguna et al., 2018; Singh et al., 2022).
RQ3: quais são os resultados da IA/TI incorporada como ITS na educação sustentável?
Em resposta à QP 3, os resultados dos sistemas de tutoria integrados com IA e tecnologia da
informação estão listados na Tabela 7. Existem ainda duas abordagens principais nas quais
A IA está ou não incorporada ao próprio sistema de tutoria. Para sistemas de tutoria incorporados em IA,
a maioria dos resultados indica que a precisão da previsão de desempenho é alta (Guerrero-Higueras et
al., 2018; Hasnine et al., 2018), o que implica uma oportunidade para ajudar aqueles que prevêem
desempenho baixo. No entanto, a maior parte da pesquisa não se concentra em explicar por que e como
os algoritmos de aprendizado de máquina realizam previsões, o que significa que os instrutores só podem
tomar as ações necessárias com base em sua experiência. Dos 29 artigos pesquisados, apenas 2 focam
no resultado e tentam aproveitar a IA explicável (Afzaal et al., 2021; Pereira et al., 2021) na previsão de
aprendizado de máquina. Eventualmente, isto será mais valioso para todo o sistema educativo, uma vez
que pode eliminar as preocupações dos educadores em termos de justiça, fiabilidade e inclusão.
Existem também alguns investigadores que exploraram diferentes comportamentos de aprendizagem

(Rui-pérez-Valiente et al., 2021; Yang et al., 2021a, b) através de algoritmos de agrupamento, que também
podem fornecer aos instrutores informações para intervenções adicionais, conforme necessário. A relação
entre desempenho e comportamentos de aprendizagem é também uma das principais áreas onde os
investigadores podem investir grandes esforços, uma vez que pode ajudar os instrutores a compreender e
melhorar o processo pedagógico global. Alguns investigadores também demonstraram que os algoritmos
de aprendizagem automática de IA podem fornecer notificação antecipada para evitar o abandono dos
alunos (Weng et al., 2020) e aumentar o envolvimento (Ouyang et al., 2023).
Para sistemas de tutoria incorporados em IA, os pesquisadores se concentram em processos de
aprendizagem dinâmicos e na experiência de personalização (Tobarra et al., 2021) quando um sistema é
projetado para fornecer qualquer intervenção necessária ou ajustar o caminho de aprendizagem para
instrutores. No geral, ainda existem muitas áreas potenciais que devemos abordar para refletir a escassez
de recursos dos instrutores quando eles não têm capacidade para cuidar de cada aluno durante o processo
de aprendizagem e fornecer a intervenção ou assistência necessária.
O resultado geral parece razoável, mas precisa ser mais explicável para que alunos e instrutores adotem
a tecnologia de IA. Como os algoritmos de aprendizado de máquina são normalmente tratados como uma
caixa preta, um número crescente de estudos tem se concentrado em explicar o modelo de aprendizado
de máquina de IA para ganhar a confiança dos usuários, para que o verdadeiro valor possa ser
demonstrado e aceito.
Tabela 8 Limitações e desafios
Descrição Contar
Precisa de mais participação dos alunos para amostragem de dados de boa qualidade 5
Extração de recursos para aprendizado de máquina que não representa totalmente o processo de aprendizado 4
Precisa de um período mais longo de aprendizagem de estatísticas de dados 4
A solução de IA não é portável para outros sistemas de ensino 4
Nenhuma teoria educacional forte 2
Precisa de mais ações e recomendações além da previsão de desempenho 2
Preocupação com a privacidade

1
Precisa de tecnologia de análise de big data mais avançada para oferecer suporte a melhor qualidade 1
Preocupação confiável (a solução de IA não é explicável) 1
Precisa de mais cursos de validação da solução de IA 1
Nenhuma verdade básica para a melhoria das soluções de IA 1
Desafio de precisão do aprendizado de máquina (por exemplo, reconhecimento facial ao usar máscaras) 1
Nem todos os estudos listaram as limitações e desafios, e um estudo pode ter múltiplos desafios
RQ4: qual é a tendência futura dos ITS integrados em IA/TI na educação sustentável?
Antes de respondermos à QR 4 e identificarmos possíveis tendências futuras de pesquisa, listamos as
limitações dos desafios dos sistemas de tutoria incorporados à IA na Tabela 8. Como a maior parte da
tecnologia de IA usada é aprendizado de máquina, a primeira limitação e desafio é a quantidade de dados.
Teoricamente, quanto mais dados de formação relativos a mais participação houver, melhor, e algumas
pesquisas (Corrigan et al., 2015a; Guerrero-Higueras et al., 2018) demonstram uma ambição de expandir o
âmbito da participação e as expectativas de um desempenho mais elevado através da obtenção de mais
dados de amostragem. As seguintes limitações principais também estão relacionadas ao aprendizado de
máquina e incluem melhoria na extração de recursos (Hasnine et al., 2018), necessidade de dados de
aprendizagem de período mais longo (Guerrero-Higueras et al., 2018) ou a solução não ser portável para
outros sistemas de tutoria (Yang et al., 2021a, b).
Com base nas limitações e desafios, muitas direções potenciais de pesquisa futura foram mencionadas e
discutidas nos 29 artigos pesquisados. As possíveis direções futuras estão listadas na Tabela 9. Novamente,
os principais itens tendem a estar relacionados a aspectos de aprendizado de máquina, o que dá ao arquiteto
de soluções de TI boas oportunidades para começar. Normalmente, os pesquisadores desejam ter uma
arquitetura de solução robusta que possa suportar previsões de desempenho mais precisas (Lin & Mubarok,
2021) e esperam que a solução possa ser mais portátil (Silva et al., 2022) , fornecendo um melhor espaço
amostral e conjunto de dados de treinamento (Guerrero-Higueras et al., 2018).
Não há muita pesquisa nos 29 artigos abordando formas mais recentes de treinar algoritmos de
aprendizado de máquina, como aproveitar o transformador para conduzir agrupamento de comportamentos
de aprendizagem ou aproveitar o aprendizado por reforço para prever ou avaliar o status dos alunos com
base na contribuição dos professores. Embora a IA e o aprendizado de máquina estejam se tornando cada
vez mais avançados, sempre poderá haver uma maneira melhor de melhorar e tornar a previsão e a análise mais eficientes.
preciso.
Existem também algumas importantes direções potenciais de pesquisas futuras levantadas em algumas
pesquisas. Embora os pesquisadores queiram se concentrar mais na melhoria da taxa de engajamento (Silva
Tabela 9 Direção futura
Descrição Contar
Aumentar o espaço amostral/conjunto de dados de treinamento (convide mais alunos para participar) 7
Expandir ou integrar a solução para outras áreas e cursos 6
Identifique, extraia ou crie mais recursos/eventos observáveis para melhor previsão 4
Validação do contexto educacional/teoria através de especialistas 4
Aproveite soluções alternativas para melhorar a precisão da previsão/agrupamento 4
Melhore a taxa de envolvimento dos alunos 2
Mais personalização 2
Melhor qualidade de dados para treinamento de algoritmos de IA/ML 2
Crie um painel para apoiar o monitoramento e a tomada de decisões em tempo real 1
Adicione funções adicionais para despertar mais interesse dos alunos (IDC) 1
Generalização da solução para se adequar a outros sistemas de ensino 1
Melhoria do sistema de circuito fechado com base na explicação da IA 1
Explore mais aspectos das emoções (como satisfação, não apenas para previsão de abandono) 1
Melhor metodologia de análise de respostas a pesquisas 1
Melhor mecanismo de intervenção 1
Um estudo pode ter múltiplas direções futuras identificadas

et al., 2022) ou personalização (Lin & Mubarok, 2021), alguns pesquisadores começaram a se concentrar em
teorias educacionais emergentes (Leony et al., 2013) e no aumento do interesse de aprendizagem dos
alunos. Os pesquisadores estão ansiosos para provar os fenômenos derivados dos algoritmos de aprendizado
de máquina, vinculando-os a teorias educacionais ou buscando comentários de especialistas em educação.
Alguns pesquisadores começaram a combinar todas as observações e criaram
teorias para refletir a mudança fundamental de um estilo de instrução focado em exames para um estilo de
instrução focado em interesses (Chan et al., 2018) ou mesmo para construir uma visão de como será o futuro
ambiente educacional.
Os requisitos “explicáveis” precisam ser considerados e incorporados ao algoritmo de aprendizado de

máquina durante a fase de design no futuro. Khosravi et al. (2022) exploram profundamente o XAI em termos
de educação, o que também fornece uma boa orientação para educadores e arquitetos de soluções de TI.
Semelhante ao projeto de 4 anos conduzido pela DARPA (Gunning & Aha, 2019), as equipes técnicas foram
solicitadas a fornecer um modelo explicável e uma interface explicativa para apoiar os usuários na tomada
de decisões. Além disso, há outra equipe que aborda os aspectos psicológicos do ser humano para definir
como uma explicação pode ser aceitável. Finalmente, há também uma lista de verificação de avaliação para
verificar se um sistema pode realmente ser confiável e adotado pelos usuários.
No artigo de revisão do XAI, Arrieta et al. (2020) categorizaram detalhadamente muitos algoritmos comuns
de aprendizado de máquina e descreveram como um modelo pode ser explicado. Tais abordagens podem
ser adotadas nestes sistemas educativos integrados em IA para ganhar mais confiança dos utilizadores.
Eventualmente, conceber algoritmos de IA e de aprendizagem automática com explicações para os
utilizadores tornar-se-á cultura porque esta pode ser a única forma de eliminar preocupações de alunos e
instrutores e adotar a IA como uma ferramenta de apoio ao trabalhar em prol da educação sustentável.
No entanto, trazer mais valor social e factores humanos será um dos principais focos futuros. Juntamente
com sistemas de IA explicáveis e interfaces explicáveis para apoiar alunos e instrutores na tomada de
decisões, a consideração da IA Centrada no Ser Humano (HCAI) (Auernhammer, 2020) é outra tendência
futura na área de integração da IA e da educação.
Shneiderman (2020) definiu uma abordagem bidimensional para categorizar e fornecer orientação sobre
como produzir projetos de sistemas que sejam Confiáveis, Seguros e Confiáveis (RST). Nos artigos de (Yang
et al., 2021a, b, 2023), os autores compartilham os aspectos de como a IA e as IACS podem contribuir de
diferentes maneiras para uma educação sustentável com valores sociais adequados.
Outra potencial tendência futura é maximizar o valor social que os sistemas de IA podem trazer. Por
exemplo, cursos online virtualizados com suporte de IA podem eliminar a lacuna de distância de alguns
alunos para que a sua questão de igualdade educacional possa ser abordada. Além disso, com o apoio da
IA, o sistema pode ser inteligente o suficiente para considerar o grupo minoritário ou o indivíduo,
proporcionando uma experiência de aprendizagem adaptativa ou personalizada. Eventualmente, os
instrutores podem concentrar-se na estratégia pedagógica e melhorar a eficácia geral do ensino, o
desempenho de aprendizagem dos alunos com intervenção adequada e os objetivos de educação sustentável.
Conclusões
Neste artigo de revisão, aproveitamos uma combinação de análise de modelos de aprendizagem e a
estrutura do documento de revisão PRISMA para discutir como a IA pode capacitar os sistemas
educacionais em muitos aspectos. Começando com RQ1, listamos os desafios típicos da
implementação da educação sustentável e da integração da IA e da tecnologia da informação.
Seguindo o RQ2 ao RQ4, discutimos diferentes tipos de tecnologia incorporada à IA e como elas
apoiam a implementação da educação sustentável. Também discutimos os cenários típicos envolvidos
quando os ITS são implantados para dar aos educadores alguma referência e orientação quando
pensarem em integrar a IA nos seus sistemas de tutoria. Por fim, discutimos direções de pesquisas
futuras que também podem fornecer aos arquitetos e educadores de soluções de TI algumas ideias
sobre as quais continuar trabalhando.
Neste estudo, pretendemos ajudar nosso público-alvo a compreender o estado atual da integração
da tecnologia de IA em sistemas de tutoria, juntamente com os desafios que a acompanham.
Fornecemos orientações claras para educadores e arquitetos de soluções de TI sobre como
implementar e implantar sistemas habilitados para IA. Esta orientação inclui a compreensão dos
diferentes tipos de algoritmos de aprendizagem automática, a sensibilização dos educadores e as
necessidades de navegação nas políticas e regulamentações governamentais, entre outras coisas.
A nossa esperança é que isto colmate a lacuna entre educadores e arquitetos de soluções de TI,
facilitando a implementação harmoniosa de sistemas educativos sustentáveis.
Muitos benefícios foram explorados através da implementação de sistemas de tutoria com
capacidades de análise de big data. Os sistemas de tutoria integrados com IA podem usar
processamento de linguagem natural e técnicas de aprendizado de máquina para avaliar as respostas
dos alunos e determinar o progresso individual, analisando seus comportamentos de aprendizagem.
Além disso, os sistemas de tutoria baseados em IA ajudam a preencher a lacuna entre educadores e
alunos, fornecendo uma plataforma inovadora que torna a educação mais acessível. Isso significa
que os alunos podem aprender no seu próprio ritmo, onde quer que estejam, o que aumenta a
flexibilidade no processo de aprendizagem. Como resultado, os sistemas de tutoria alimentados por
IA promovem a igualdade de acesso à educação, independentemente da localização geográfica ou da situação financeira.
No entanto, os investigadores começaram a notar que, juntamente com os vários benefícios, o
preconceito gerado pela IA e pelos algoritmos de aprendizagem automática também pode criar danos.
Este dano pode advir de aspectos “alocacionais” ou “representacionais” (Mayfeld et al., 2019) e pode
eventualmente inviabilizar os propósitos da educação. Como resultado destes potenciais danos e
preconceitos, os investigadores também começaram a olhar para a IA não apenas de uma forma
explicável, mas também de uma perspectiva de justiça e fiabilidade. Esta será uma das principais
direções de investigação futura, e poderá ser necessário considerar fatores mais centrados no ser
humano (ou centrados no professor).
Finalmente, a IA revolucionou a educação ao promover práticas educativas sustentáveis que são
mais centradas no aluno. Em comparação com um ambiente de sala de aula tradicional, os recursos
educativos eletrónicos partilham significativamente o esforço dos professores quando é necessário
considerar o estado de aprendizagem individual dos alunos. Com melhores análises de dados e
insights fornecidos através da IA, as aplicações de tutoria também podem reduzir o desperdício de
recursos e melhorar a educação sustentável a longo prazo.
Concluindo, a incorporação da IA nos sistemas de tutoria resultou em resultados positivos na
educação sustentável. Desde educação personalizada, aprendizagem adaptativa, avaliações
automatizadas e ambientes de aprendizagem flexíveis até práticas ecológicas,
Os sistemas de tutoria alimentados por IA surgiram como um farol de um futuro melhor para a educação.
Abreviações
IA Inteligência Artificial
IACS IA centrada no ser humano
TIC Tecnologia da informação e Comunicação
ISTO
Tecnologia da Informação
ISSO É
Sistema de tutoria inteligente
PNL Processamento de linguagem natural
Itens de relatório preferenciais PRISMA para revisão sistemática e meta-análises
RST Confiável, Seguro e Confiável
ODS Objetivo de Desenvolvimento Sustentável
TELEFONE
Aprendizagem Aprimorada pela Tecnologia
XI Inteligência Artificial Explicável
Reconhecimentos
Não aplicável.
Declaração de IA e tecnologias assistidas por IA no processo de redação

Durante a preparação deste trabalho, os autores utilizaram o ChatGPT para realizar a revisão para melhorar a legibilidade e a linguagem de frases
individuais, uma vez que alguns autores não são falantes nativos de inglês. Após utilizar esta ferramenta, os autores revisaram e editaram o conteúdo conforme
necessário e assumem total responsabilidade pelo conteúdo da publicação.
Contribuições do autor
Todos os autores planejaram, discutiram, verificaram e aprovaram os manuscritos.
Financiamento
Esta pesquisa foi financiada pelas bolsas nºs 111-2410-H-008-010-MY3 e 109-2511-H-008-007-MY3 do Conselho Nacional de Ciência e
Tecnologia.
Disponibilidade de dados e materiais

Não aplicável.
Declarações
Interesses competitivos
Os autores declaram que não há interesses conflitantes.
Recebido: 6 de junho de 2023 Aceito: 21 de agosto de 2023
Referências
Acevedo-Duque, Á., Jimenez-Bucarey, C., Prado-Sabido, T., Fernandez-Mantilla, MM, Merino-Flores, I., Left-Marin, S.
S., & Valle-Palomino, N. (2023). Educação para o desenvolvimento sustentável: Desafios para programas de pós-graduação.
Jornal Internacional de Pesquisa Ambiental e Saúde Pública, 20(3), 1759, Artigo 1759. https://doi.org/10.3390/
ijerph20031759
Afzaal, M., Nouri, J., Zia, A., Papapetrou, P., Force, U., Wu, Y., Li, X., & Weeger, R. (2021). Recomendação automática e inteligente
recomendações para apoiar a autorregulação dos alunos. Em 2021, Conferência Internacional sobre Tecnologias Avançadas de Aprendizagem (ICALT),
Tartu, Estónia.
Arrieta, AB, Díaz-Rodríguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., Garcia, S., Gil-Lopez, S., Molina, D., Benjamins , R., Chatila, R., & Herrera, F.
(2020). Inteligência artificial explicável (XAI): Conceitos, taxonomias, oportunidades e desafios para uma IA responsável. Fusão de informações, 58, 82–
115. https://doi.org/10.1016/j.infus.2019.12.012
Atapattu, T. e Falkner, K. (2016). Uma estrutura para geração e rotulagem de tópicos a partir de discussões MOOC. Em Anais da terceira (2016) conferência ACM
sobre aprendizagem em escala, Edimburgo, Escócia, Reino Unido.
Auernhammer, J. (2020). IA centrada no ser humano: o papel da pesquisa de design centrado no ser humano no desenvolvimento da IA.
https://doi.org/10.21606/drs.2020.282
Carbonell, Jr. (1970). IA em CAI: Uma abordagem de inteligência artificial para instrução assistida por computador. Transações IEEE em
Sistemas Homem-Máquina, 11(4), 190–202. https://doi.org/10.1109/TMMS.1970.299942
Chan, T.-W., Looi, C.-K., Chen, W., Wong, L.-H., Chang, B., Liao, CCY, Cheng, H., Chen, Z.-H. , Liu, C.-C., Kong, S.-C., Jeong, H., Mason, J., So, H.-J., Murthy,
S., Yu, F.-Y., Wong, SL, King, RB, Gu, X., Wang, M.,… Ogata, H. (2018). Teoria do criador orientado por interesses: Rumo a uma teoria de design de
aprendizagem para a Ásia no século XXI. Jornal de Computadores na Educação, 5(4), 435–461. https://doi.org/10.1007/s40692-018-0122-0
Chatti, MA, Dyckhof, AL, Schroeder, U., & Thüs, H. (2012). Um modelo de referência para análise de aprendizagem. Revista Internacional
de Aprendizagem Aprimorada por Tecnologia, 4(5–6), 318–331. https://doi.org/10.1504/IJTEL.2012.051815
Choi, Y. e McClenen, C. (2020). Desenvolvimento de sistema de avaliação formativa adaptativa utilizando adaptativa informatizada
testes e redes bayesianas dinâmicas. Ciências Aplicadas, 10(22), 1–17, Artigo 8196. https://doi.org/10.3390/app10
228196
Corrigan, O., Glynn, M., McKenna, A., Smeaton, A., & Smyth, S. (2015a). Dados do aluno: Dados são conhecimento: Colocando o
conhecimento de volta às mãos dos alunos. Artigo apresentado nos anais da 14ª conferência europeia sobre e-learning, South
Oxfordshire, Reino Unido.
Corrigan, O., Smeaton, AF, Glynn, M., & Smyth, S. (2015b). Usando análises educacionais para melhorar o desempenho dos testes.
Design para ensinar e aprender em um mundo em rede. CE-TEL 2015b. Notas de aula em ciência da computação, Cham.
Deng, R. e Benckendorf, P. (2020). Aprendizagem viabilizada pela tecnologia. Manual de e-Turismo, 1–27.
Gillani, N., Eynon, R., Chiabaut, C. e Finkel, K. (2023). Desempacotando a “caixa preta” da IA na educação. Tecnologia Educacional e Sociedade,
26(1), 99–111. https://doi.org/10.30191/ETS.202301_26(1.0008
Guerrero-Higueras, Á. M., DeCastro-García, N., Conde, M. Á., & Matellán, V. (2018). Modelos preditivos de sucesso acadêmico: Um estudo de
caso com sistemas de controle de versão. Em Anais da sexta conferência internacional sobre ecossistemas tecnológicos para melhorar a
multiculturalidade, Salamanca, Espanha.
Gunning, D. e Aha, D. (2019). Programa de inteligência artificial explicável (XAI) da DARPA. Revista AI, 40(2), 44–58. https://
doi.org/10.1609/aimag.v40i2.2850
Hasnine, MN, Akcapinar, G., Flanagan, B., Majumdar, R., Mouri, K., & Ogata, H. (2018). Rumo à previsão de pontuações finais em sequência de
cliques usando métodos de aprendizado de máquina. Na ICCE 2018 — 26ª Conferência Internacional sobre Computadores na Educação,
procedimentos do workshop, Filipinas.
Jiang, X., Liu, W. e Liu, J. (2019). Análise de aprendizagem em um curso misto de educação em informática. Em Proceedings of the interna-
workshop institucional sobre inteligência artificial e educação, Singapura.
Khahro, SH e Javed, Y. (2022). Principais desafios na aprendizagem do século XXI: Um caminho a seguir para um ensino superior sustentável
instituições nacionais. Sustentabilidade (Suíça), 14(23), 16080, Artigo 16080. https://doi.org/10.3390/su142316080
Khosravi, H., Shum, SB, Chen, G., Conati, C., Tsai, Y.-S., Kay, J., Knight, S., Martinez-Maldonado, R., Sadiq, S., & Gaseviÿ, D.
(2022). Inteligência artificial explicável na educação. Computadores e Educação: Inteligência Artificial, 3, 100074. https://doi.org/
10.1016/j.caeai.2022.100074
Lee, CA, Tzeng, JW, Huang, NF e Su, YS (2021). Predição do desempenho dos alunos em cursos on-line abertos e massivos usando sistema
de aprendizagem profunda baseado em comportamentos de aprendizagem. Tecnologia Educacional e Sociedade, 24(3), 130–146.
Leony, D., Muñoz-Merino, PJ, Pardo, A., & Kloos, CD (2013). Fornecimento de consciência das emoções dos alunos através de recursos visuais
zações em um ambiente baseado em interação por computador. Sistemas Especialistas com Aplicativos, 40(13), 5093–5100. https://
doi.org/10.1016/j.eswa.2013.03.030
Liddy, E.D. (2001). Processamento de linguagem natural.
Lin, CJ e Mubarok, H. (2021). Análise de aprendizagem para investigar a abordagem de chatbot de IA guiada por mapa mental em um EFL
sala de aula de fala maluca. Tecnologia Educacional e Sociedade, 24(4), 16–35.
Llurba, C., Fretes, G., & Palau, R. (2022). Estudo piloto de tecnologia de reconhecimento emocional em tempo real para alunos do ensino
médio. Design de interação e arquitetura(s), 52, 61–80. https://doi.org/10.55612/s-5002-052-004
Lu, OHT, Huang, AYQ e Yang, SJH (2018). Benchmarking e ajuste de algoritmos de regressão na previsão de alunos
performance acadêmica. Na 26ª Conferência Internacional sobre Computadores na Educação, Filipinas.
Mayfeld, E., Madaio, M., Prabhumoye, S., Gerritsen, D., McLaughlin, B., Dixon-Román, E., & Black, AW (2019). Equidade
além do preconceito nas tecnologias da linguagem para a educação. Em Anais do décimo quarto workshop sobre o uso inovador de PNL
para a construção de aplicações educacionais, Florença, Itália.
Montpetit, C. e Sabourin, S. (2016). Avaliando o impacto de uma “plataforma de aprendizagem ativa echo360 – Sala de aula habilitada em um
curso de graduação de aprendizagem combinada com grande número de matrículas em genética. Em Anais da 33ª conferência internacional
de inovação, prática e pesquisa no uso de tecnologias educacionais no ensino superior.
Niyogisubizo, J., Liao, L., Nziyumva, E., Murwanashyaka, E., & Nshimyumukiza, PC (2022). Prevendo a evasão dos alunos em
aulas universitárias usando abordagem de aprendizado de máquina de conjunto de duas camadas: uma nova generalização empilhada.
Computadores e Educação: Inteligência Artificial, 3, 100066, Artigo 100066. https://doi.org/10.1016/j.caeai.2022.100066
Ogunkunle, O., & Qu, Y. (2020). Uma otimização baseada em mineração de dados para seleção de material de aprendizagem em um sistema
de tutoria inteligente para o avanço da educação STEM. Em 2020 Conferência Internacional sobre Ciência Computacional e Inteligência
Computacional (CSCI), Las Vegas, EUA.
Ouyang, F., Wu, M., Zheng, L., Zhang, L. e Jiao, P. (2023). Integração de previsão de desempenho de inteligência artificial e análise de
aprendizagem para melhorar a aprendizagem dos alunos no curso de engenharia online. Revista Internacional de Tecnologia
Educacional no Ensino Superior, 20(1), 4, Artigo 4. https://doi.org/10.1186/s41239-022-00372-4
Page, MJ, McKenzie, JE, Bossuyt, PM, Boutron, I., Hofmann, TC, Mulrow, CD, Shamseer, L., Tetzlaf, JM, Akl, EA, & Brennan, SE (2021). A
declaração PRISMA 2020: Uma diretriz atualizada para relatar revisões sistemáticas. International Journal of Surgery, 372, n71. https://
doi.org/10.1136/bmj.n71
Paramythis, A. e Loidl-Reisinger, S. (2003). Ambientes de aprendizagem adaptativos e padrões de e-learning. Na Segunda Conferência Europeia
sobre e-learning.
Pereira, FD, Fonseca, SC, Oliveira, EHT, Cristea, AI, Bellhauser, H., Rodrigues, L., Oliveira, DBF, Isotani, S., & Carvalho, LSG (2021). Explicar o
comportamento individual e coletivo dos alunos de programação através da interpretação de um modelo preditivo de caixa preta.
Acesso IEEE, 9, 117097–117119. https://doi.org/10.1109/ACCESS.2021.3105956
Pereira, FD, Oliveira, E., Cristea, A., Fernandes, D., Silva, L., Aguiar, G., Alamri, A., & Alshehri, M. (2019). Previsão de abandono precoce
para cursos de programação apoiados por juízes on-line. Inteligência artificial na educação. AIED 2019. Notas de aula em ciência da
computação, Cham.
Perikos, I., Grivokostopoulou, F., & Hatzilygeroudis, I. (2017). Mecanismo de auxílio e feedback em um sistema de tutoria inteligente para ensino
de conversão de linguagem natural em lógica. Jornal Internacional de Inteligência Artificial em Educação, 27(3), 475–514. https://doi.org/
10.1007/s40593-017-0139-y
Ruipérez-Valiente, JA, Jaramillo-Morillo, D., Joksimoviÿ, S., Kovanoviÿ, V., Muñoz-Merino, PJ, & Gaševiÿ, D. (2021). Detecção e caracterização
baseada em dados de comunidades de contas que colaboram em MOOCs. Sistemas de Computador de Geração Futura, 125,
590–603. https://doi.org/10.1016/j.future.2021.07.003
Saudelli, MG e Niemczyk, EK (2022). Educação para o desenvolvimento sustentável: percepções do Canadá e da África do Sul
podem as universidades. Perspectivas na Educação, 40(3), 47–61. https://doi.org/10.18820/2519593X/pie.v40.i3.4
Serrano-Laguna, A., Manero, B., Freire, M., & Fernandez-Manjon, B. (2018). Uma metodologia para avaliar a eficácia de jogos sérios e para inferir
os resultados de aprendizagem dos jogadores. Ferramentas e aplicativos multimídia, 77(2), 2849–2871. https://doi.org/10.1007/
s11042-017-4467-6
Shah, Z., Kennedy-Clark, S., Xie, Y., Rahim, MS, Mahdavi, M., & Levula, A. (2022). Opiniões dos professores sobre a sustentabilidade do ensino em
instituições de ensino superior na Austrália. Sustentabilidade (Suíça), 14(14), 8431, Artigo 8431. https://doi.org/10.
3390/su14148431
Shneiderman, B. (2020). Inteligência artificial centrada no ser humano: confiável, segura e confiável. Jornal Internacional de Interação Humano-
Computador, 36(6), 495–504. https://doi.org/10.1080/10447318.2020.1741118
Silva, K., Induwara, R., Wimukthi, M., Poornika, S., Samaratunge Arachchillage, USS, & Jayalath, T. (2022). E-tutor: Compreÿ
sistema abrangente de gerenciamento da produtividade dos alunos para a educação. Em 2022, 4ª Conferência Internacional sobre Avanços
em Computação (ICAC), Colombo, Sri Lanka.
Simuÿ, C., Petrila, L., Popescu, FA, & Oprea, IM (2021). Desafios e oportunidades para o teletrabalho no sistema escolar: Construindo uma
educação online sustentável no contexto da pandemia SARS-Cov-2. Sustentabilidade (Suíça), 13(18), 10296, Artigo 10296. https://doi.org/
10.3390/su131810296
Singh, N., Gunjan, VK, Mishra, AK, Mishra, RK e Nawaz, N. (2022). Seistutor: Um sistema de tutoria inteligente personalizado e educação
sustentável. Sustentabilidade (Suíça), 14(7), 4167, Artigo 4167. https://doi.org/10.3390/
su14074167
Smaniotto, C., Saramin, A., Brunelli, L., & Parpinel, M. (2023). Insights e próximos desafios para o sistema educacional italiano ensinar sustentabilidade
em um contexto global. Sustentabilidade (Suíça), 15(1), 209, Artigo 209. https://doi.org/10.3390/
su15010209
Sterling, SR e Orr, D. (2001). Educação sustentável: Revisando a aprendizagem e a mudança (Vol. 6). Livros Verdes para o Schuÿ
Macher Society Totnes.
Tewari, A. (2020). Educação sustentável na Índia através da inteligência artificial: desafios e oportunidades. Em WebSci 2020 — Acompanhante da
12ª conferência ACM sobre ciência da web, Southampton, Reino Unido.
Tobarra, L., Utrilla, A., Robles-Gómez, A., Pastor-Vargas, R., & Hernández, R. (2021). Uma arquitetura de plataforma educativa baseada em jogos em
nuvem: o projeto cyberscratch. Ciências Aplicadas, 11(2), 1–22, Artigo 807. https://doi.org/10.3390/app11
020807
Tsegay, SM, Ashraf, MA, Perveen, S., & Zegergish, MZ (2022). Ensino online durante a pandemia de COVID-19: experiências de professores de
uma universidade chinesa. Sustentabilidade (Suíça), 14(1), 568, Artigo 568. https://doi.org/10.3390/
su14010568
Tzeng, JW, Lee, CA, Huang, NF, Huang, HH e Lai, CF (2022). Sistema de avaliação MOOC baseado em aprendizagem profunda.
Revisão Internacional de Pesquisa em Ensino Aberto e à Distância, 23(1), 21–40. https://doi.org/10.19173/IRRODL.V22I4.
5417
Nações Unidas. (2015). Desenvolvimento sustentável 17 objetivos. Obtido em 05 de maio de 2023 em https://sdgs.un.org/goals
Wade, R. (2012). Pedagogia, lugares e pessoas. Jornal de Formação de Professores para a Sustentabilidade, 14(2), 147–167. https://doi.
org/10.2478/v10099-012-0014-8
Weng, JX, Huang, AYQ, Lu, OHT, Chen, IYL e Yang, SJH (2020). A implementação da educação de precisão para análise de aprendizagem.
Em Anais da conferência internacional IEEE de 2020 sobre ensino, avaliação e aprendizagem para engenharia, TALE, Takamatsu, Japão.
Wu, S.-H., Lai, C.-L., Hwang, G.-J., & Tsai, C.-C. (2021). Tendências de pesquisa na aprendizagem de química aprimorada pela tecnologia:
uma revisão da pesquisa comparativa de 2010 a 2019. Journal of Science Education and Technology, 30(4), 496–510. https://doi.org/
10.1007/s10956-020-09894-w
Xie, H., Chu, H.-C., Hwang, G.-J., & Wang, C.-C. (2019). Tendências e desenvolvimento em tecnologias adaptativas/pessoais aprimoradas
aprendizagem personalizada: Uma revisão sistemática de publicações em periódicos de 2007 a 2017. Computadores e Educação. https://doi.
org/10.1016/j.compedu.2019.103599
Xing, W. e Goggins, S. (2015). Análise de aprendizagem no espaço sideral: um modelo bayesiano ingênuo oculto para alunos automáticos
detecção de comportamento fora da tarefa. Em Anais da 5ª Conferência Internacional sobre Análise e Conhecimento de Aprendizagem,
Poughkeepsie, Nova York.
Yang, CCY, Chen, IYL e Ogata, H. (2021a). Rumo à educação de precisão: mineração e aprendizagem de dados educacionais
análises para identificar padrões de aprendizagem dos alunos com sistemas de e-books. Tecnologia Educacional e Sociedade, 24(1), 152–163.
Yang, Q.-F., Lin, C.-J., & Hwang, G.-J. (2019). Focos de pesquisa e resultados de aulas de matemática: uma revisão de publicações em periódicos
com base no modelo de aprendizagem aprimorado pela tecnologia. Ambientes de aprendizagem interativos, 29(6), 905–938. https://doi.org/
10.1080/10494820.2019.1637351
Yang, SJH, Ogata, H. e Matsui, T. (2023). Editorial convidado: IA centrada no ser humano na educação: Aumente a inteligência humana
inteligência com inteligência de máquina [Editorial]. Tecnologia Educacional e Sociedade, 26(1), 95–98. https://doi.org/10.
30191/ETS.202301_26(1.0007
Yang, SJH, Ogata, H., Matsui, T. e Chen, NS (2021b). Inteligência artificial centrada no ser humano na educação: vendo o invisível através do
visível. Computadores e Educação: Inteligência Artificial, 2, 100008, Artigo 100008. https://doi.
org/10.1016/j.caeai.2021.100008
Yin, RK (2015). Pesquisa qualitativa do início ao fim. Publicações Guilford.
Yousuf, M. e Wahid, A. (2021). O papel da inteligência artificial na educação: Tendências atuais e perspectivas futuras. Em 2021, Conferência
Internacional sobre Ciência da Informação e Tecnologias de Comunicação (ICISCT), Tashkent, Uzbequistão.
Nota do editor
A Springer Nature permanece neutra em relação a reivindicações jurisdicionais em mapas publicados e afiliações institucionais.
ChienÿChang Lin está atualmente trabalhando para Applied Materials como Chefe do Serviço de Informações da Ásia. Ele é Ph.D.
candidato na Universidade Central Nacional. Seus interesses de pesquisa incluem Inteligência Artificial, Processamento de Linguagem
Natural e Educação Sustentável.
Anna YQ Huang recebeu seu doutorado no Instituto de Engenharia, Ciência e Tecnologia da Primeira Universidade Nacional de Ciência
e Tecnologia de Kaohsiung em Taiwan em 2011. Seus interesses de pesquisa incluem tecnologia de Big Data, Los Angeles,
aprendizagem móvel, MOOCs, aprendizagem colaborativa apoiada por computador (CSCL) .
Owen HT Lu atualmente atua como professor assistente na Faculdade de Ciência da Computação da Universidade Nacional de
Chengchi. Dr. Lu recebeu um Ph.D. em Ciência da Computação e Engenharia da Informação pela National Central Uniÿ
versidade, Taiwan.

Inteligência Artificial em Sistemas de Tutoria Inteligentes Rumo À Educação Sustentável: Uma Revisão Sistemática

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Inteligência Artificial em Sistemas de Tutoria Inteligentes Rumo À Educação Sustentável: Uma Revisão Sistemática

Enviado por

Direitos autorais:

Formatos disponíveis

Machine Translated by Google

Lin et al. Ambientes de aprendizagem inteligentes (2023) Ambientes de aprendizagem inteligentes

ANÁLISE Acesso livre

Inteligência artificial em sistemas de tutoria

Palavras-chave: Inteligência artificial, Educação sustentável, Sustentabilidade da educação, Sistema de tutoria

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 2 de 22

alunos se desenvolvam de forma sustentável. Para estender o conceito de desenvolvimento sustentável

Sistemas de tutoria inteligentes (ITSs) são sistemas de aprendizagem baseados em computador

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 3 de 22

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 4 de 22

• Definir o título e as principais áreas de foco dos artigos pesquisados.

• Quais são os principais desafios para a educação sustentável?

• Quais são os principais desafios da implementação da educação sustentável?

• Como a IA e as TI são incorporadas como ITS para apoiar a educação sustentável?

• Qual é o mecanismo de medição dos resultados e qual é o resultado?

• Qual é o nível de confiança e explicação ao usar IA/TI na educação sustentável?

• Qual é a tendência futura da educação sustentável em ITS integrados em IA/TI?

• Qual é a área potencial na qual podemos investir mais esforços de IA/TI?

• Quais são as oportunidades de melhoria dos sistemas de IA/TI existentes atualmente?

Assim, com base na agenda de pesquisa, as seguintes 4 questões de pesquisa serão

• QP1: Quais são os principais desafios da implementação da educação sustentável?

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 5 de 22

educação sustentável. Na seção “Resultados e discussão”, detalharemos o detalhamento das informações

coletadas nos artigos revisados, discutiremos os resultados e responderemos às questões de pesquisa. Na

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 6 de 22

Figura 1 Modelo analítico de IA em sistemas de tutoria inteligentes

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 7 de 22

Processo de seleção de papel

(TITLE-ABS-KEY (“inteligência artificial”) E (TITLE-ABS-KEY (“sustentabilidade da educação”)

Fig. 2 Processo de seleção de papel

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 8 de 22

Tabela 1 Critérios de inclusão e exclusão de triagem de artigos

Publicado entre o ano de 2014 a 2023 em língua Publicado antes de 2014

inglesa Doc. tipo: jornal Não em inglês

ou artigo de conferência Outros tipos de documentos (por exemplo, livros)

Concentre-se em casos educacionais escolares reais Foco na metodologia ou não escolar

Abordar resultados e desafios Nenhum resultado ou desafios abordados

Deve ter um sistema embarcado de TI Sem sistemas embarcados de TI

Tabela 2 Esquema de codificação para análise das publicações incluídas

Categoria Código Descrição do rótulo

Jogos B3 Refere-se ao aproveitamento de métodos de jogo em sistemas de tutoria

Outros B4 Refere-se a outros métodos, como sistemas caseiros

Predição C2 Refere-se à previsão do comportamento e desempenho de aprendizagem dos alunos.

Avaliação C3 Refere-se a fornecer uma avaliação baseada em evidências

Adaptação C4 Refere-se a fornecer um cenário de aprendizagem adaptável e flexível

Recomendação C6 Refere-se a fornecer recomendações sobre o que fazer a seguir

Universidade D3 Refere-se aos estudantes universitários como os alunos

ALL=( "inteligência artificial" ) AND ( ALL=( "educação sustentável" ) OR ALL=( "sustentabilidade

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 9 de 22

RQ1: quais são os principais desafios da implementação da educação sustentável?

Tabela 3 Pesquisas selecionadas por país e níveis de ensino

Regiões País Contar Nível de educação

Ásia Taiwan 5 Ensino médio: 1, Universidade: 4

China 3 Universidade: 1, Graduação: 1, Geral: 1

Sri Lanka 1 Ensino médio: 1

Europa Espanha 5 Ensino médio: 2, Universidade: 2, N/A: 1

América NÓS 2 K-12: 1, N/A: 1

Brasil 2 Universidade: 1, N/A: 1

Oceânia Austrália 2 Universidade: 2

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 10 de 22

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 11 de 22

• Conscientização [C1, C3]: A tendência da tecnologia emergente de IA na educação está se

Lin et al. Ambientes de aprendizagem inteligentes (2023) 10:41 Página 12 de 22