Código aberto

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Código aberto — o uso de modelos, código, dados e conteúdo com licença aberta na IA na educação. A abertura é o principal contrapeso da base de conhecimento à dependência de fornecedor e à exposição de dados: modelos de pesos abertos podem rodar em hardware do campus para satisfazer obrigações da FERPA, do GDPR e da Lei de IA da UE, corpora com licença aberta podem ser indexados e ajustados sem permissão da editora, e a publicação aberta de benchmarks e conjuntos de dados torna a pesquisa replicável. Os ônus são igualmente reais: infraestrutura e garantia de segurança, manutenção que sobreviva à bolsa, e qualidade que a abertura por si só não garante.

Perguntas para considerar

• "Código aberto" costuma ser ouvido como "gratuito e fácil". Qual das quatro camadas abaixo — modelos, código, dados ou conteúdo — custa de fato mais caro para sua instituição adotar, e por quê?
• Os pesos abertos tornam a implantação local possível, mas alguém ainda precisa hospedar, corrigir e avaliar o sistema. Quem deveria ser responsável por esse trabalho depois que o projeto inicial terminar, e quem paga por ele?
• Um estudo aqui concluiu que um modelo aberto de 32B superou um sistema proprietário muito maior em conhecimento pedagógico, enquanto outro concluiu que todos os modelos abertos testados ficaram abaixo da linha de base humana em letramento de visualização científica. Como você decide qual benchmark é o certo para sua decisão?
• Um único corpus com licença aberta é o que permite a uma escola rodar um assistente local sobre seus próprios materiais de curso. Que obrigações vêm com isso — para com os autores originais, para com os estudantes cujos dados são indexados e para com a própria licença?
• Se a IA generativa consegue produzir um curso em menos de meia hora por alguns dólares, qual é a justificativa restante para recursos educacionais abertos — custo, liberdade de licenciamento, garantia de qualidade, ou outra coisa?
• Instituições deveriam tratar a adoção de código aberto como decisão de aquisição, de infraestrutura ou pedagógica? O que quebra se ela for tratada como apenas uma delas?

Introdução

De forma ampla, "aberto" na educação com IA significa que quatro tipos de artefato estão disponíveis para inspeção, reuso e modificação: pesos de modelo, código-fonte, dados e instrumentos de avaliação e conteúdo educacional. Os artigos da base de conhecimento se agrupam de forma desigual ao longo dessas camadas, e o quadro resultante é mais útil que o slogan: a abertura compra coisas específicas — controle local, auditabilidade, replicabilidade e clareza legal — e custa coisas específicas — infraestrutura, expertise, manutenção e um ônus de garantia de qualidade que se move do fornecedor para a instituição.

Modelos abertos e pesos abertos

Os pesos abertos importam mais onde dados de estudantes não podem sair do campus. O LaTA é um corretor automático local com LLM compatível com a FERPA, de encaixe imediato, para cursos de STEM de ciclo superior da graduação, construído sobre rubricas e soluções de referência de autoria dos instrutores, com custo marginal zero por submissão. O SCRIPT, um sistema de tutoria em Python na Universidade de Bielefeld, deliberadamente evita APIs comerciais de LLM e hospeda localmente um modelo Llama-70B de pesos abertos para atender ao GDPR e à Lei de IA da UE (que classifica alguns usos de IA na educação como de alto risco), separando os registros de IP do sistema de tutoria, usando nomes de usuário pseudônimos e registrando toques de tecla apenas com consentimento explícito — uma escolha que os autores também creditam pelo menor impacto ambiental e melhor reprodutibilidade.

A qualidade deixou de ser o preço automático da abertura. O EduQwen aplica aprendizagem por reforço (DAPO) e ajuste supervisionado a uma família de modelos abertos, minerando 440 negativos difíceis, gerando 40.000 respostas sintéticas reduzidas a 1.050 exemplos ordenados por dificuldade, e alcançando 96,52% no benchmark de pedagogia — acima dos 90,55% do Gemini-3 Pro —, com 32B de parâmetros densos. O AiAWE chega a conclusões semelhantes para a avaliação automatizada de escrita: um Gemma-3-27B-it de pesos abertos adaptado com LoRA supera o LLaMA-3.3-70B e uma linha de base de GPT-3.5 ajustado em 480 redações do TOEFL e roda em um servidor de nível de consumo, com o achado subsidiário impressionante de que a contagem de parâmetros não é um preditor confiável de desempenho corrente abaixo sob adaptação LoRA. A contraevidência merece o mesmo destaque: um benchmark de seis MLLMs (três fechados, três abertos) concluiu que todo modelo de código aberto ficou abaixo da linha de base humana em letramento de visualização científica, enquanto o Gemini superou a média humana em vários subconjuntos. A abertura eleva o teto de controle, não de capacidade.

O OmniEdu publica todo o pipeline, e não apenas os pesos: a supervisão equilibrada por capacidade sobre uma mistura de 69.999 exemplos elevou toda escala de uma família K-12 aberta de 4B/9B/27B — o modelo 4B ajustado ganhou 55 pontos de taxa de vitória com andaimes no MathTutorBench sobre sua base —, enquanto o diagnóstico de estado de conhecimento permaneceu sua capacidade mais fraca, em 54,04% (Liang et al., 2026)).

Ferramentas abertas, tutores e infraestrutura de pesquisa

O caso mais claro para código aberto é a replicação. O OATutor — o primeiro sistema de tutoria adaptativa totalmente aberto construído sobre princípios de ITS — pareia uma base de código com licença MIT com uma biblioteca de conteúdo em Creative Commons (CC BY) dos livros de álgebra da OpenStax, mais rastreamento de conhecimento, testes A/B e suporte a LTI; seu objetivo explícito de design é que um pesquisador possa rodar um experimento e depois publicar todo o framework de ponta a ponta, o conteúdo e a plataforma como um link de repositório. O StanBKT faz o mesmo argumento na camada de método, substituindo estimativas pontuais de máxima verossimilhança por inferência bayesiana completa (HMC, inferência variacional, Pathfinder, otimização) em um pacote Python aberto que expõe a incerteza de que dependem as comparações A/B de intervenções adaptativas. O DeepTutor publica um framework completo de tutoria agêntica com uma memória de quem aprende do tipo floresta de rastros — Apache 2.0, e até o fim de 2026 um espaço de trabalho de aprendizagem completo, e não apenas os pipelines que seu artigo coloca como referência —, e o gerador de salas de aula do MAIC, o OpenMAIC, é lançado sob MIT junto com o estudo que o avalia, de modo que um curso pode ser gerado, autohospedado e inspecionado, e não apenas lido sobre; o VISMATIC publica seu sandbox em contêiner para monitoramento orientado ao processo, para que outras instituições possam adotar o modelo de integridade em vez da versão do fornecedor. O código aberto também carrega o ônus da transparência: os scripts dos prompts de tutoria matemática sensíveis ao afeto do MathBuddy são publicados para inspeção e mais trabalho de treinamento pedagógico. A infraestrutura aberta fixa o ponto de referência do que agentes educacionais deveriam fazer: a revisão de escopo de 474 estudos de IA agêntica da base de conhecimento usa um projeto de agente de código aberto de crescimento rápido como benchmark de "paradigma de agente de fronteira" e conclui que os sistemas educacionais ainda carecem de orquestração de ferramentas governada, memória persistente, planejamento de longo horizonte e ação auditável.

Benchmarks abertos, conjuntos de dados e transparência de método

Várias contribuições aqui são infraestrutura de avaliação aberta, e não sistemas. O Pedagogy Benchmark (CDPK + SEND, construído a partir de itens genuínos de provas de professores chilenos) abrange 97 modelos: o DeepSeek R1 de pesos abertos alcançou 86,65% contra um top 10 de modelos majoritariamente fechados de raciocínio, e a fronteira custo–acurácia se moveu de ~50% para ~82% a \$0,10/M tokens de entrada entre abril de 2024 e junho de 2025 — com o Qwen-3 8B aberto a 3,5¢ quase igualando o melhor modelo fechado de abril de 2024 a mais de 400× menos custo. O desempenho cai acentuadamente abaixo de cerca de 8B parâmetros, o que é uma restrição prática de dimensionamento para implantações no campus. O ASTRA publica um conjunto de dados, um esquema e um protótipo para avaliação baseada em rastros de tutoria multiagente socialmente inteligente (540 participantes, 360 sessões, 1.440 episódios de tarefa). O IKS-Instruct mostra o caso cultural para dados abertos: 24.795 pares de instrução-resposta ao longo de sete línguas e 41 técnicas pedagógicas extraídas de fontes védicas e clássicas, alinhados ao currículo da CBSE, o que permitiu a um modelo compacto de 7B se aproximar de um modelo de referência de propósito geral muito maior (pontuação mediana de juiz 6,39 contra 6,54) a uma fração do custo de implantação. Benchmarks de autoria de estudantes são outra rota para a abertura: o AcademiClaw reúne 80 tarefas acadêmicas de longo horizonte de 230 candidatas enviadas por estudantes (abrangendo mais de 25 domínios profissionais, 16 exigindo GPUs CUDA, rodadas em sandboxes Docker isolados) e estende um ecossistema aberto de agentes para a avaliação de nível acadêmico. O Eimler et al. (2026) argumentam que a abertura é uma obrigação ambiental também: revisando todos os artigos do AIED 2025, eles encontraram um padrão de "adoção de LLM sem revelação" e responderam com uma metodologia aberta de medição — ferramentas de software mais uma fórmula que estima o gasto computacional mesmo quando a contagem de parâmetros é desconhecida.

Recursos educacionais abertos e conteúdo aberto

O Shen et al. (2026) é o único artigo da base de conhecimento em que os recursos educacionais abertos são o objeto central, e não uma referência passageira. Eles constroem um assistente de IA de base de conhecimento local para educação em ciência da computação a partir de 82 documentos REA em hardware de nível de consumo (uma RTX 3060 com 12 GB de VRAM), combinando extração estruturada, geração aumentada por recuperação e ajuste fino ciente de quantização NF4 de 4 bits. O ajuste fino acrescentou valor real além da recuperação (Qwen-7B 69,8%, +3,2 pp, p = 0,031; DeepSeek-MoE 78,6%, +12,0 pp, p < 0,001, incluindo 82,3% em raciocínio multi-salto); o ajuste ciente de quantização manteve a lacuna de acurácia em 4 bits em 1,7 e 1,2 pp, ao mesmo tempo que cortou a VRAM em ~38% e a energia para 1,8 mWh por consulta (43,8% abaixo da linha de base); e a alucinação inflada pela quantização foi em parte recuperada pelo ajuste fino (DeepSeek-MoE 10,4% → 8,1%), medida por um procedimento de NLI em duas etapas contra os fragmentos de REA recuperados. O ponto analítico é generalizável: um corpus com licença aberta pode ser indexado, adaptado e servido sem permissões de editora, e fundamentar um assistente em REA recuperadas dá uma trilha de proveniência verificável — que é exatamente o que um corpus proprietário de livro didático não consegue oferecer.

A abertura do conteúdo e a abertura dos modelos também são complementares em outros lugares. O OATutor reúne livros da OpenStax em CC BY em um sistema cujo código é licenciado sob MIT, de modo que os termos de licença de código e conteúdo precisam ser mantidos compatíveis por design. Uma biblioteca aberta e executável de módulos para IA em sistemas de energia reduz a barreira de entrada com notebooks Jupyter que rodam localmente ou no Colab, entregues por um curso on-line da IEEE. E um currículo de engenharia mecânica baseado em projetos publica seu plano de ensino, dados e código em repositórios de acesso aberto para que outras instituições possam adotá-lo (Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering). Adjacente aos REA, a oferta aberta de cursos é onde a economia está mudando mais rápido: o MAIC relata o colapso da produção de MOOCs de aproximadamente \$25.000 e 60 horas por curso para menos de \\$2 e 30 minutos com geração multiagente movida por LLM. Se a produção de conteúdo se torna quase gratuita, o argumento dos REA se afasta do custo de produção e se volta para a liberdade de licenciamento, a verificabilidade e a garantia de qualidade — o que é uma proposta diferente daquela sobre a qual a defesa dos REA foi construída.

Benefícios e ônus

• Benefícios. Soberania de dados e conformidade regulatória (privacidade, regulação) por meio de hospedagem local; controle de custo, já que a inferência local não tem taxa por consulta e modelos abertos se aproximam da qualidade proprietária a uma fração do preço (Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning); reprodutibilidade, porque o framework, os prompts, o conteúdo e os dados podem acompanhar o artigo (OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research, ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring); auditabilidade e revisão de segurança sob governo institucional; e a capacidade de ajuste fino para uma pedagogia específica ou para a base de conhecimento de uma comunidade específica (IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems).
• Ônus. A hospedagem local exige hardware e expertise que muitas instituições não têm; qualidade e segurança não são garantidas de saída — modelos abertos podem ficar atrás de linhas de base humanas em letramentos específicos (Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy) e a quantização eleva as taxas de alucinação a menos que mitigada (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources); alguém precisa manter o sistema após a publicação (o Programming Intelligent Tutoring Systems documenta uma pequena equipe de estudantes de doutorado, exposição de segurança em obra e um ônus substancial de conformidade); e uma licença aberta é uma permissão, não um produto funcionando — a manutenção que mantém um sistema publicado utilizável recai sobre quem o construiu, e seu financiamento e incentivos decidem se o que uma instituição herda quando a bolsa acaba é um repositório bifurcável, um produto mantido, ou nenhum dos dois.

Colocando a abertura em prática

• Para instrutores e instituições: verifique a licença do conteúdo, assim como a do código, antes de adotar um sistema — código MIT sobre livros CC BY é reutilizável, mas uma licença permissiva não garante que trilhas de tutoria, bancos de itens ou traduções existam. Prefira modelos abertos quando dados de estudantes legalmente não podem sair do campus (LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework, Programming Intelligent Tutoring Systems), mas coloque o modelo como referência em sua tarefa em vez de confiar em placares gerais (Benchmarking the Pedagogical Knowledge of Large Language Models). Orce recursos para alguém rodar e avaliar o sistema após o piloto.
• Para desenvolvedores e pesquisadores: publiquem a coisa inteira — a publicação de ponta a ponta do OATutor (código, conteúdo, harness de experimento) é o padrão de replicabilidade que essa literatura continua recompensando. Publiquem prompts e esquemas de extração junto com os pesos (Programming Intelligent Tutoring Systems, MathBuddy: Affective Math Tutoring). Relatem computação e carbono (The Environmental Cost of LLMs in AIED: Reporting and Practices). Fundamentem assistentes em corpora com licença aberta para que a proveniência seja verificável e a adaptação seja lícita (Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources). Usem ajuste fino ciente de quantização em vez de quantização simples se acurácia e energia importam, e mantenham licenças de código e conteúdo compatíveis.

Conceitos conectados

• Tutoria inteligente
• Treinamento e ajuste fino de LLM
• Aprendizagem adaptativa
• Plataforma Edtech
• Privacidade
• Regulação da IA na educação
• Governança de IA
• IA agêntica
• Avaliação automatizada
• Ponto de referência (Benchmark)
• Rastreamento de conhecimento
• RAG (Geração Aumentada por Recuperação)
• Segurança pedagógica
• Sustentabilidade
• Métodos de pesquisa em AIED
• Escrita
• Integridade acadêmica
• Desenvolvedores de tecnologia educacional

Artigos conectados

• Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources — Assistente de IA de base de conhecimento com REA em hardware de consumo (Shen et al. 2026)
• OATutor: An Open-source Adaptive Tutoring System and Curated Content Library for Learning Sciences Research — Tutor adaptativo com licença MIT e biblioteca de conteúdo OpenStax em CC BY (Pardos et al. 2023)
• Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning — Modelo pedagógico aberto de 32B superando sistemas proprietários muito maiores (Singh et al. 2026)
• LaTA: A Drop-in, FERPA-Compliant Local-LLM Autograder for Upper-Division STEM Coursework — Corretor automático local com LLM compatível com a FERPA, de encaixe imediato
• Programming Intelligent Tutoring Systems — LLM de pesos abertos autohospedado para conformidade com GDPR/Lei de IA da UE em um ITS em Python
• AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models — Modelo de pesos abertos adaptado com LoRA para avaliação automatizada de escrita
• StanBKT: Rethinking Parameter Estimation in Bayesian Knowledge Tracing — Pacote Python aberto para rastreamento de conhecimento bayesiano completo
• DeepTutor: Towards Agentic Personalized Tutoring — Framework de tutoria agêntica totalmente de código aberto com memória de quem aprende
• Securing the Sandbox: A Rootless Containerized Framework for Process-Oriented Monitoring in Computer Graphics Education — Sandbox em contêiner aberto para avaliação orientada ao processo
• MathBuddy: Affective Math Tutoring — Tutor de matemática sensível ao afeto com base de código aberta
• Benchmarking the Pedagogical Knowledge of Large Language Models — Benchmark aberto de pedagogia ao longo de 97 modelos e a fronteira custo–acurácia
• ASTRA: A synthetic benchmark for trace-based evaluation of socially intelligent multi-agent tutoring — Conjunto de dados e protótipo abertos para avaliação de tutoria multiagente baseada em rastros
• Benchmarking Multimodal Large Language Models for Scientific Visualization Literacy — Modelos abertos abaixo da linha de base humana em letramento de visualização
• IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems — Conjunto de dados multilíngue aberto para instrução culturalmente fundamentada
• The Environmental Cost of LLMs in AIED: Reporting and Practices — Método de código aberto para relatar o custo ambiental de LLM
• Bridging Artificial Intelligence and Power Systems Education Using a Hands-On Executable Framework — Biblioteca aberta e executável de módulos para IA em engenharia
• Giving Mechanical Engineers Intelligent Tools: A Project-Based AI Education Curriculum in Thermal Engineering — Currículo, dados e código publicamente disponíveis
• From MOOC to MAIC: Reshaping Online Teaching and Learning through LLM-driven Agents — Geração de cursos movida por LLM e a economia em mudança da produção de cursos
• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw
• AcademiClaw: When Students Set Challenges for AI Agents
• OmniEdu: Open Foundation Models for Learning and Teaching — OmniEdu: modelos fundacionais abertos para aprendizagem e ensino