Construindo Loops Internos de Sistemas Tutores Inteligentes com Inteligência Coletiva dos Estudantes

Descrição

As tecnologias educacionais online, impulsionadas pelas Tecnologias de Informação e Comunicação (TICs), revolucionaram o ensino presencial e a distância, culminando no desenvolvimento de ferramentas avançadas como os Sistemas Tutores Inteligentes (STIs). Diferente dos sistemas tradicionais que avaliam apenas a resposta final do estudante, os STIs utilizam Inteligência Artificial para fornecer instruções personalizadas por meio de duas estruturas principais: o "Loop Externo", que seleciona e define as tarefas globais, e o "Loop Interno", que acompanha o processo de resolução passo a passo, oferecendo feedbacks, dicas e correções imediatas com um nível de granularidade próximo ao de um tutor humano. Contudo, a implementação e o funcionamento adequado do Loop Interno exigem uma modelagem formal complexa e a previsão exaustiva de todas as possíveis etapas e erros dos alunos. Atualmente, essa tarefa sobrecarrega os professores, encarece a produção e torna a maioria dos sistemas engessada e restrita a contextos ou interfaces específicas. Além dessa dependência exclusiva do trabalho de especialistas, os sistemas educacionais subutilizam o potencial dos próprios alunos, cujas interações e resoluções são frequentemente ignoradas e descartadas, mantendo os estudantes em um papel de consumo puramente passivo das informações. Diante dessa problemática, este projeto propõe a aplicação do conceito de Inteligência Coletiva (IC), por meio da aprendizagem ativa, propondo que os próprios estudantes atuem como coprodutores das informações necessárias para alimentar e estruturar os Loops Internos nos STIs. Essa abordagem colaborativa visa escalar o sistema, aliviar a carga de trabalho docente e promover a criação de modelos de loops internos genéricos independentes de contexto. Para embasar e validar essa proposta, o estudo identifica lacunas na literatura e delineia duas questões de pesquisa fundamentais: investigar a viabilidade técnica de construir um modelo formal genérico para Loops Internos que suporte a Inteligência Coletiva (QP1) e avaliar se as informações geradas e instanciadas colaborativamente pela multidão de estudantes possuem qualidade equivalente àquelas produzidas exclusivamente por especialistas (QP2).