Projetos e Inovação Na Educação 5

Prévia do material em texto

AULA 5 
PROJETOS E INOVAÇÃO 
NA EDUCAÇÃO
Profª Oriana Gaio 
 
 
2 
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. 
 
 
3 
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. 
 
 
4 
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: 
 
 
 
 
 
 
 
5 
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. 
 
 
6 
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 
interessadosna 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. 
 
 
 
 
 
 
 
 
7 
Figura 3 – Etapas do processo da analítica da aprendizagem 
 
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; 
Coleta e pré-
processamento
Análise e ação
Pós-
processamento
Analítica da 
aprendizagem 
 
 
8 
• 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 
 
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, 
o quê?
dados e ambientes 
por quê?
objetivos
como?
métodos
quem?
partes interessadas 
Analítica da 
aprendizagem
 
 
9 
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; 
 
 
10 
• 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 sistemasde 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: 
 
 
11 
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 
 
 
12 
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: 
 
 
 
 
 
 
 
 
13 
Figura 5 – Aspectos dos sistemas de 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 
Modelo de aprendiz 
• o meio para inferir e 
diagnosticar 
características como 
estilos de aprendizagem, 
traços de personalidade, 
estados motivacionais e 
conhecimentos sobre 
diferentes tópicos de 
estudo
Modelo de conteúdo 
• 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;
Modelo instrucional 
• 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. 
 
 
14 
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, haveráo 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 
 
 
15 
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 
 
 
16 
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 
 
 
17 
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. 
 
 
 
 
18 
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 timeevolution. 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.