[Edgar Delfino Tchissingui]IA ADAPTATIVA PARA APRENDIZAGEM HANDS-ON NA PLATAFORMA ASCENDE (MVP)

Prévia do material em texto

IA ADAPTATIVA HANDS-ON: ROTAS DINÂMICAS, MATCHING E TUTORES INTELIGENTES NA PLATAFORMA ASCENDE
Edgar Delfino Tchissingui
Cuito, delfinotchissingui@gmail.com
A crescente demanda por soluções educacionais personalizadas tem impulsionado a integração de inteligência artificial (IA) em plataformas de aprendizagem, especialmente em contextos de mentoria digital. Este artigo apresenta o desenvolvimento e a avaliação do MVP da Ascende, uma plataforma de mentoria focada na aprendizagem prática (“Mão na Massa”), voltada para jovens africanos em busca de orientação profissional e desenvolvimento de competências. Com o objectivo geral de projectar, implementar e validar um sistema de IA adaptativa, composto por quatro módulos principais: matching inteligente mentor–mentee, modelagem de perfis práticos, recomendação dinâmica de trilhas e intervenção precoce, complementado por um tutor inteligente baseado em LLM. A metodologia adoptada combinou desenvolvimento ágil de software com pesquisa empírica em IA. A amostra foi composta por 20 mentorados (idade média de 22 anos), participantes de um estudo piloto conduzido ao longo de quatro semanas. Os dados foram coletados via backend Supabase e tratados em pipelines com modelos como XGBoost, LSTM, Random Forest e Transformers leves. Os resultados demonstraram aumentos significativos na precisão do matching, na relevância das recomendações e na retenção de usuários. A IA adaptativa aplicada à mentoria digital possui elevado potencial para personalizar o processo de aprendizagem e promover inclusão, engajamento e retenção. Recomenda-se, como trabalho futuro, a ampliação da base de usuários, a evolução da gamificação e a integração multilíngue da plataforma.
Palavras-chave: IA adaptativa, mentoria digital, personalização educacional, plataformas inteligentes, recomendação educacional.
The growing demand for personalized educational solutions has driven the integration of artificial intelligence (AI) into learning platforms, particularly in digital mentoring contexts. This paper presents the development and evaluation of the MVP of Ascende, a mentoring platform focused on hands-on learning, aimed at African youth seeking career guidance and skill development. The main objective was to design, implement, and validate an adaptive AI system composed of four core modules: intelligent mentor– mentee matching, practical profile modeling, dynamic learning path recommendations, and early intervention, complemented by an intelligent tutor based on LLMs. The methodology combined agile software development with empirical AI research. The sample consisted of 20 mentees (average age of 22), who participated in a four-week pilot study. Data were collected via Supabase backend and processed using pipelines with models such as XGBoost, LSTM, Random Forest, and lightweight Transformers.
The results showed significant improvements in matching accuracy, recommendation relevance, and user retention. Adaptive AI applied to digital mentoring has strong
potential to personalize the learning process and foster inclusion, engagement, and retention. Future work should include expanding the user base, advancing gamification, and integrating multilingual capabilities into the platform.
Keywords: Adaptive AI, digital mentoring, educational personalization, intelligent platforms, educational recommendation.
2. Introdução
A mentoria digital tem se destacado como estratégia eficaz para aproximar jovens de orientadores experientes, promovendo desenvolvimento prático e aceleração de competências, conforme (Brusilovsky & Millán, 2007) e (VanLehn, 2011). Entretanto, a heterogeneidade de perfis — que abrange competências técnicas, estilos de aprendizagem e factores psicossociais — e a elevada taxa de desistência em ambientes virtuais apontam para a necessidade de sistemas que não apenas conectem mentor e mentorado, mas personalizem continuamente o percurso de aprendizagem, segundo (Baker & Yacef, 2009).
A plataforma Ascende, actualmente em fase de MVP (Produto Mínimo Viável), adopta a metodologia “Mão na Massa” (Hands-On) para converter teoria em prática, mas carece de automação avançada que garanta matching eficaz, recomendação de desafios sob medida e intervenções proativas em momentos críticos.
2.1 Objectivo
Este estudo tem como propósito projectar, implementar e avaliar um sistema de IA adaptativa integrado à Ascende, com quatro módulos principais:
1. Matching inteligente mentor–mentee, utilizando embeddings semânticos e modelos preditivos;
2. Modelagem de perfis práticos, que representa o progresso em micro-projectos por meio de embeddings multimodais;
3. Recomendação dinâmica de desafios e trilhas, com ensemble híbrido de filtragem colaborativa e modelos sequenciais;
4. Intervenção precoce, accionada por classificadores de risco (Random Forest, LSTM) para identificar desistências iminentes.
Para este projecto procurou-se, também, incorporar um tutor IA baseado em LLM para fornecer dicas contextuais durante as actividades. Os objectivos específicos são:
· Descrever a arquitetura modular e o pipeline de dados que suportam cada componente de IA.
· Implementar iterativamente o MVP e conduzir um experimento piloto com aproximadamente 20 usuários iniciais.
· Avaliar indicadores preliminares de usabilidade (SUS) e satisfação (NPS).
· Analisar o impacto social potencial da personalização no engajamento e na retenção de mentorados.
2.2 Metodologia Utilizada
A metodologia adoptada combina práticas ágeis de desenvolvimento de software com procedimentos de pesquisa empírica em Inteligência Artificial. O estudo foi conduzido em quatro fases principais: Arquitetura e Instrumentação, Coleta e Pré-processamento de Dados, Treino e Deploy de Modelos de IA, e Avaliação Piloto.
2.2.1 Arquitectura e Instrumentação
O backend da plataforma Ascende foi implementado em Supabase (Backend as a Service, no caso de se tratar de um MVP), enquanto o front-end utilizou-se o React (NextJS) com design mobile-first. Cada módulo de IA (matching, perfis práticos, recomendação e intervenção precoce) foi encapsulado em microserviço Python, containerizado via Docker e emulado com FastAPI. Pontos de instrumentação foram definidos para capturar, via APIs REST e WebSockets, eventos de login, progresso em tarefas, feedback de usuários e interações com o tutor IA.
2.2.2 Colecta e Pré-processamento de Dados
Foram recrutados 20 mentorados voluntários para participar do teste piloto (idade média de 22 anos, 60 % do gênero feminino). Após cadastro e consentimento informado (como exigido pela Lei 22/11 - Lei de Proteção de Dados Pessoais), colectaram-se:
· Perfis estáticos: competências declaradas, objectivos e estilo de aprendizagem.
· Logs de uso: tempo de sessão, número e sequência de desafios acessados.
· Entregas de micro-projectos: data/hora de início e conclusão, número de iterações.
· Feedback textual: anotações de mentores e autoavaliações.
O pipeline de ETL incluiu a normalização min-max de variáveis numéricas; a tokenização e geração de embeddings de texto via BERT-multilingual; e agregação temporal em janelas móveis de 5 tarefas. Os vectores resultantes foram armazenados nas coleções “profiles_embeddings” e “activity_features”.
2.2.3 Treino e Deploy de Modelos de IA
Cada módulo de IA seguiu um fluxo padronizado:
· Matching Inteligente: modelo de AI treinado usando XGBoost para score de compatibilidade, usando features de pares mentor–mentee e NPS histórico como target.
· Modelagem de Perfis Práticos: embeddings multimodais (com aproximadamente 640 dimensões) representando estado prático de cada mentorado.
· Recomendação Dinâmica: combina de filtragem colaborativa (SVD) e modelo sequencial (Transformer leve, 4 camadas, 8 cabeças) em um ensemble ponderado por “α” optimizado em validação cruzada.
· Intervenção Precoce: com classificadores Random Forest e LSTM sobre séries temporais de engajamento para prever churn (desistência).
Os Modelos foram avaliados via validação cruzada 5-fold, ajustando hiperparâmetros por grid search e “deployados”em endpoints REST para consumo pelo front-end.
2.2.4 Avaliação Piloto
Realizou-se um estudo A/B (N = 20, grupo IA vs. grupo controle estático) ao longo de quatro semanas. As métricas coletadas incluíram:
· Precisão de Matching: Precision@5 e NPS.
· Qualidade da Recomendação: Precision@K e NDCG.
· Desempenho da Intervenção: ROC-AUC e taxa de retenção semanal.
· Usabilidade e Satisfação: System Usability Scale (SUS) e Net Promoter Score (NPS).
Para a análise estatística utilizou testes t de Student e ANOVA para comparar médias entre grupos, adoptando nível de significância α = 0,05. Comentários qualitativos foram
analisados por codificação temática para identificar padrões de aceitação e pontos de melhoria.
3. Desenvolvimento
Nesta secção, apresentam-se de forma detalhada e sistemática os resultados obtidos nos quatro módulos de IA do MVP da Ascende, bem como a avaliação de usabilidade. Os dados operacionais e de usuário foram armazenados no Supabase, e os modelos de IA expostos via microserviços FastAPI em Docker. Cada subsecção descreve as métricas adotadas e os respectivos resultados quantitativos.
3.1 Matching Inteligente
O módulo de matching emprega embeddings de perfil (BERT-multilingual) e embeddings práticos, concatenados e submetidos a clusterização (K-Means, DBSCAN) para formar grupos de similaridade, seguidos de predição de compatibilidade por XGBoost. Para quantificar seu desempenho, utilizou-se Precision@5 e Net Promoter Score (NPS).
A Tabela 1 apresenta a comparação entre o grupo com matching estático (método de baseline) e o grupo com IA adaptativa. Observa-se que o Precision@5 aumentou de 68% para 80%, e o NPS saltou de +3 para +42, melhorias estatisticamente significativas (t[38] = 3,12, p(SUS = 78/100) e satisfação geral (NPS = +35) apontam para uma experiência funcionalmente sólida e bem recebida pelos usuários, sobretudo considerando o estágio embrionário da plataforma.
No conjunto, os resultados aqui obtidos não apenas confirmam a viabilidade técnica e científica da proposta, como também reforçam a sua pertinência social e valor estratégico. Em contextos de países em vias de desenvolvimento, marcado por jovens com grande potencial para contribuir activamente no desenvolvimento do país, porém carentes de oportunidades práticas e orientação qualificada, soluções como a Ascende têm o potencial de catalisar trajetórias transformadoras, promovendo inclusão digital, aprendizagem activa e empreendedorismo juvenil.
Do ponto de vista metodológico, o estudo contribui com um modelo replicável de implementação de IA adaptativa em startups educacionais, explorando a sinergia entre ferramentas modernas (Supabase, FastAPI, Transformers, LLMs) e princípios pedagógicos consagrados (aprendizagem centrada no estudante, feedback formativo, aprendizagem por projectos).
Como desenvolvimentos futuros, recomenda-se:
· A ampliação da base de dados para permitir modelagens mais sofisticadas e redução de viés estatístico;
· O aprofundamento da gamificação e das funcionalidades de carteira digital para mentores;
· A internacionalização da plataforma com suporte a múltiplas línguas nacionais e variações culturais.
Em síntese, este trabalho oferece não apenas uma validação empírica de um sistema IA-educacional adaptativo, mas também um protótipo funcional de uma plataforma de impacto, capaz de redefinir os paradigmas de mentoria digital no contexto angolano e não só.
5. Referências Bibliográficas
Brusilovsky, P., & Millán, E. (2007). User Models for Adaptive Hypermedia and Adaptive Educational Systems. In P. BRUSILOVSKY, A. KOBSA, & W. NEDELKO, The Adaptive Web: Methods and Strategies of Web Personalization. (pp. 3-53). Springer.
VanLehn, K. (2011). The relative effectiveness of human tutoring, intelligent tutoring systems, and other tutoring systems. Educational Psychologist, p. 46.
Baker, R. S., & Yacef, K. (2009). The state of educational data mining in 2009: A review and future visions. Journal of Educational Data Mining, pp. 3-7.
Koren, Y., Bell, R., & Volinsky, C. (2009). Matrix factorization techniques for recommender systems. Computer, 42(8), pp. 30–37.
Woolf, B. P. (2009). Building intelligent interactive tutors: Student-centered strategies for revolutionizing e-learning. Morgan Kaufmann.
Brooke, J. (1996). SUS: A “quick and dirty” usability scale. In P. W. Jordan, B. Thomas,
B. A. Weerdmeester, & I. L. McClelland, Usability evaluation in industry (pp. 189– 194). Taylor & Francis.
Haas, C., Hall, M., & Vlasnik, S. (2018). Finding optimal mentor-mentee matches: A case study in applied two-sided matching. Heliyon, 4(9), p. 634.
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2017). Attention is all you need. arXiv.
Papamitsiou, Z., & Economides, A. A. (2014). Learning analytics and educational data mining in practice: A systematic literature review of empirical evidence. Educational Technology & Society, 17(4), pp. 49-64.
image1.jpeg
image2.jpeg