Sistemas de recomendação e trajetórias de aprendizagem

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

Sistemas de recomendação e trajetórias de aprendizagem — a parte da tecnologia adaptativa e de aprendizagem personalizada que decide o que quem aprende deve encontrar em seguida e em que ordem: qual recurso, item de prática ou curso ranquear para ele, e por qual sequência de conceitos percorrer. Suas duas famílias de método são a comportamental — filtragem colaborativa sobre registros de interação — e a semântica — sequenciamento sobre um grafo de conhecimento de conceitos, recursos e relações de pré-requisito —, crescentemente fundidas em modelos híbridos. Como a saída é uma lista ranqueada, e não um diálogo, os problemas distintivos são a seletividade e a legitimidade: início frio e viés de popularidade sob dados esparsos, a assimetria direcional dos pré-requisitos, e se um professor ou quem aprende consegue compreender, auditar e confiar na lista que lhe é mostrada.

Perguntas para refletir

• Um recomendador aprende a partir do que quem aprende clicou, assistiu e concluiu. Se o sistema só vê comportamento, de quem ele está de fato modelando a aprendizagem — e o que ele deixa passar para um estudante que é quieto, tem dificuldades ou já domina o material?
• Em um estudo, os professores acharam as explicações em linguagem curricular mais compreensíveis e confiáveis que os gráficos de importância de atributos. O que uma explicação de uma recomendação teria que dizer antes de você agir com base nela?
• As relações de pré-requisito correm em uma única direção — saber B não implica saber A. Por que um modelo que pontua pares de conceitos de forma independente poderia errar nisso, e o que daria errado a jusante para quem aprende se ele errasse?
• Estudos de otimização de trajetórias relatam trajetórias mais curtas e melhores notas em pós-teste, com a redução da carga cognitiva como principal mediador. Uma trajetória mais curta é sempre a melhor trajetória, ou a eficiência pode remover a prática de que quem aprende precisava?
• Uma auditoria de um recomendador educacional constatou que materiais populares ainda dominavam as listas após intervenções de equidade e diversidade. Se a popularidade continua vencendo, o que faria você redesenhar o objetivo, em vez de apenas ajustar o reranqueador?
• Os dados de Desenho de aprendizagem de 554 cursos mostraram a Aquisição (transmissão de conhecimento) como o tipo de atividade mais comum e o ponto de entrada mais comum. Se a IA recomenda "o que vem em seguida" a partir desses dados, de quem ela reproduz os hábitos de desenho?

Introdução

Os sistemas de recomendação educacionais existem porque a oferta de material de aprendizagem superou a capacidade de qualquer humano de navegá-la. Só a programação introdutória tem muitos milhares de atividades de prática, e organizá-las em pacotes instrucionalmente significativos normalmente exige curadoria especialista intensiva em tempo. Um recomendador toma o histórico de quem aprende, as propriedades do material, ou ambos, e produz uma lista curta ranqueada ou uma trajetória ordenada pelo conteúdo.

Onde a aprendizagem adaptativa descreve o mecanismo de ajustar conteúdo, ritmo e dificuldade a um modelo de quem aprende, e a tutoria inteligente descreve a plataforma que o faz em diálogo, a pesquisa em recomendação se concentra na própria decisão de seleção e sequência: a função de ranqueamento, a estrutura sobre a qual ela ranqueia e a evidência que ela usa. Essa camada de decisão traz seus próprios modos de falha, tratados nas seções abaixo.

Como funcionam os recomendadores educacionais

Os recomendadores comportamentais herdam a lógica da filtragem colaborativa: pressupõe-se que quem aprende com históricos semelhantes quer recursos semelhantes, de modo que o sistema prevê a partir de coocorrência, e não de conteúdo. Isso é poderoso onde os dados são densos e frágil onde não são. Evangelista e Bukhari (2026) enunciam o problema com clareza — recomendadores focados em precisão dão apoio menos confiável a estudantes com históricos de participação limitados, enquanto recursos populares dominam as listas —, e o respondem com um framework HKG-GRU híbrido que embute um grafo de conhecimento heterogêneo de materiais de curso e modela as sequências de quem aprende com um GRU, treinando então para robustez entre grupos de estudantes (GroupDRO) e reranqueando para diversidade de exposição (Relevância Marginal Máxima). Em registros do Moodle de 152 estudantes, 59 recursos e cerca de 150.000 interações, ele alcançou HR@10 = 0,68 e MRR = 0,41, mas um substancial viés de popularidade persistiu no nível do catálogo — evidência de que a mitigação de viés é parcial.

Os recomendadores semânticos substituem a coocorrência por estrutura. Liu, Sun e Song (2026) constroem um grafo de conhecimento de recursos de ensino, conceitos linguísticos, habilidades, grupos de quem aprende e atributos pedagógicos, e decompõem cada recurso ao longo de quatro dimensões instrucionais — contexto de ensino, nível cognitivo, característica tecnológica e adaptabilidade cultural. A recomendação expande k-hop sobre o grafo a partir dos requisitos declarados de quem aprende, refina os candidatos com uma filtragem colaborativa baseada em atributos, e os ranqueia por um coeficiente de fusão que sobe com os índices de habilidade, progresso e interesse de quem aprende, de modo que quem está menos adiantado recebe orientação mais estruturada do grafo, enquanto os de maior habilidade se apoiam em seu padrão comportamental. No subconjunto de inglês do conjunto de dados MARS (4.800 usuários, 14.200 recursos, 132.000 interações, esparsidade 0,9981), ele alcançou NDCG 0,625 e HR 0,751, um ganho de cerca de 7–8% sobre a melhor linha de base neural, e superou linhas de base conscientes de grafo, incluindo RippleNet e KGAT, em cobertura e precisão entre domínios. A ablação mostra que os sinais são complementares (apenas CF NDCG 0,584, apenas KG 0,604), e os autores observam que são métricas de ranqueamento, e não evidência de eficácia de aprendizagem.

Uma terceira rota evita quase inteiramente os dados de interação por quem aprende. Hoq e colegas (2026) extraem componentes de conhecimento baseados em padrões de cada amostra de código e recomendam atividades de prática relacionadas pela similaridade de seus conjuntos de componentes de conhecimento. Em um corpus organizado por especialistas de materiais introdutórios de Python, a abordagem se alinhou aos próprios pacotes conceituais dos instrutores e superou linhas de base de componentes de conhecimento e de embeddings nas métricas de ranqueamento — evidência de que o alinhamento instrucional pode vir da semântica do material onde os históricos de quem aprende são escassos.

Uma quarta rota trata a recomendação como uma decisão sequencial, e não como um ranqueamento. O ExRec (Ozyurt, Almaci, Feuerriegel e Sachan, 2025) constrói um rastreador de conhecimento semanticamente fundamentado — um LLM anota cada questão com passos de solução e conceitos de conhecimento, o aprendizado contrastivo alinha os embeddings de questão, passo e conceito, e uma perda de calibração permite ao rastreador prever diretamente um estado de conhecimento no nível do conceito —, e depois usa esse rastreador como o ambiente de aprendizagem por reforço no qual uma política seleciona o próximo exercício. Duas escolhas de desenho importam especificamente para o problema da recomendação: o estado do estudante é uma codificação recorrente compacta, e não o histórico completo de exercícios, de modo que sequências longas permanecem tratáveis no buffer de replay, e a recompensa é a mudança no conhecimento previsto por conceito, computada sem executar inferência sobre cada questão no conceito-alvo. Uma estimativa de valor baseada em modelo inicializa o crítico a partir do rastreador, o que melhorou os agentes contínuos baseados em valor ao longo de quatro tarefas no XES3G5M (2.048 estudantes de teste) e os levou além dos métodos de ação discreta na mais difícil delas — recomendar para o conceito mais fraco do estudante, onde o alvo muda a cada passo. Os números são porcentagem de melhoria máxima de conhecimento a partir de um ambiente simulado, o que é uma afirmação mais fraca que a aprendizagem mensurada, e o próprio apêndice dos autores observa que a maioria dos conjuntos de dados de rastreamento registra apenas um rótulo binário de correção, de modo que a recomendação no nível de ideia equivocada que eles esboçam ainda não é testável nos dados existentes.

Pré-requisitos e sequenciamento de trajetórias

Ranquear um próximo item é mais fácil que ordenar um currículo, porque as dependências de aprendizagem são direcionais. Cheng e colegas (2026) argumentam que tratar a descoberta de pré-requisitos como predição de vínculo ordinária falha em três propriedades da relação: ela é irreversível, sua evidência é frequentemente multi-hop (ci → ck → cj) em vez de uma transição de quem aprende de um passo, e sua relevância é específica do par, de modo que a representação de um conceito deveria mudar dependendo com o que ele é pareado. Seu modelo ProPRL acrescenta uma Restrição de Irreversibilidade — um regularizador antissimétrico que penaliza alta confiança em ambas as direções de um par —, junto com um portão condicionado ao par que pondera a evidência consciente de recursos de um hipergrafo conceito-recurso contra a evidência consciente de comportamento de um grafo de comportamento de aprendizagem. Ele ranqueou em primeiro lugar em todas as nove combinações de conjunto de dados–métrica nos conjuntos de dados de MOOC, LectureBank e University Course, melhorando a linha de base mais forte em 1,96% a 6,11%, e a restrição elevou a parcela de relações corretamente ordenadas de 88,0% para 90,0%.

Uma vez modeladas as dependências, uma trajetória se torna um problema de otimização. Feng e Huang (2026) combinam diagnóstico cognitivo bayesiano, teoria do espaço de conhecimento e teoria da carga cognitiva: um modelo DINA bayesiano convergiu em dados do EdNet com 91,3% de esparsidade, e um algoritmo de trajetória de remediação mais curta produziu trajetórias personalizadas com média de 3,82 passos — 22,4% mais eficientes que trajetórias aleatórias e 23,6% mais eficientes que trajetórias fixas de cobertura completa. Em um experimento randomizado de aprendizagem de probabilidade com 120 estudantes, quem aprendeu por trajetórias personalizadas terminou em 57,6 minutos contra 73,8 minutos dos controles e superou os controles no pós-teste após controlar pelo pré-teste. O estudo também testa por que: as trajetórias personalizadas reduziram a carga cognitiva nas seis dimensões adaptadas da NASA-TLX, e a carga cognitiva foi a principal mediadora do efeito sobre o desempenho no pós-teste (efeito indireto 0,28 no modelo de múltiplas mediações). Um Modelo Oculto de Markov identificou o Pensamento Analítico como o atributo gargalo, com a menor probabilidade de transição para a frente (0,31) e o maior parâmetro de adivinhação (g = 0,28).

O PersonaPath leva a questão do sequenciamento mais longe ao disputar a unidade da decisão. Liu et al. (2026) contrastam a recomendação Exercício-Cêntrica — inferir o próximo item a partir dos registros de interação — com o planejamento Conhecimento-Cêntrico, no qual um planejador lê uma persona explícita de quem aprende, um estado de domínio e uma unidade-alvo declarada, e seleciona o próximo livro didático, unidade e conceito a partir de uma hierarquia curricular (347 livros didáticos, 1.751 unidades, 4.092 conceitos em 77 disciplinas, com 411 arestas de pré-requisito verificadas a 99,5% de precisão com κ de Cohen = 0,93). O caso distintivo é o que os registros não conseguem ver: dois estudantes com registros de correção idênticos, mas alvos diferentes, precisam de rotas diferentes, e só o objetivo torna isso visível. Sua avaliação de laço fechado de dez LLMs (1B–30B+) separa as dimensões que uma métrica agregada confunde — o DeepSeek-V3.1 alcança 90,9% em validade de pré-requisito/alucinação, mas apenas 44,3% em adaptatividade, para uma taxa final de aprovação de 29,5% na Educação Básica e 14,6% no Ensino Superior, e nenhum modelo supera 44,7% em adaptatividade em lugar algum. Duas ablações afiam o diagnóstico: remover o campo de domínio da persona custa até 26,1 pontos de adaptatividade, mal movendo a validade, e a geração de trajetória em uma única passada eleva a validade em até 30,8 pontos, ao mesmo tempo que corta a adaptatividade em 28,8 — o sequenciamento conforme ao currículo é um alvo muito mais fácil que o sequenciamento condicionado a quem aprende, o que é uma ressalva contra relatar a qualidade da trajetória sem uma restrição de alinhamento a quem aprende (PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning).

A estrutura de pré-requisitos também funciona como lente diagnóstica sobre o currículo, e não sobre quem aprende. Medhat e colegas (2026) classificam as questões dos estudantes a um assistente de ensino com IA contra um grafo de pré-requisitos extraído por GPT-4, alcançando 80,0% de precisão em 43 rótulos sobre 1.340 eventos de questão de 164 estudantes de pós-graduação, e constataram que o volume de questões por tópico se correlacionava com a dificuldade autorrelatada dos estudantes (ρ de Spearman = 0,491, p = 0,008). O registro de interação se torna um mapa de onde a ordenação do currículo está falhando com quem aprende, sem nenhum ônus adicional de avaliação.

Explicar e auditar recomendações

A qualidade do ranqueamento não resolve se alguém deveria seguir o ranqueamento. Feldman-Maggor, Cukurova, Kent e Alexandron (2025) adaptam o modelo de confiança em automação de Hoff e Bashir às recomendações de IA e o testam com 41 professores de química em serviço usando a ferramenta de recomendação GrouPer. A explicabilidade elevou a confiança indiretamente, ao elevar a compreensibilidade, e a forma da explicação importou mais que sua presença: passar os professores de explicações de importância de atributos ("orientadas por dados") para explicações semânticas em linguagem curricular ("orientadas pelo domínio") aumentou significativamente a compreensibilidade (W = 80,5, p = 0,005), a confiança aprendida (W = 52, p = 0,002) e a aceitação (W = 22,5, p = 0,003), e todos os sete professores em pensar em voz alta relataram as explicações orientadas pelo domínio como mais influentes. Apareceram outros dois impulsionadores da aceitação, ambos situacionais, e não epistêmicos: alinhamento pedagógico (relatado por 8 de 11) e redução da carga de trabalho (6 de 11). Vários professores também disseram que a explicação, isoladamente, era insuficiente — eles queriam experiência em sala de aula com a ferramenta antes de confiar nela, uma afirmação forte de que a confiança em um recomendador se constrói ao longo do uso, e não é entregue em uma legenda.

A auditoria de equidade faz uma pergunta diferente: de quem as recomendações são piores? O estudo do Graph-GRU é um exemplo trabalhado útil porque nomeia o que sua auditoria não conseguiu ver. A equidade foi operacionalizada por coortes baseadas em participação porque o conjunto de dados público do Moodle carecia de desempenho, conhecimento prévio, perfis de aprendizagem e atributos demográficos, de modo que o resultado é uma auditoria do comportamento entre níveis de engajamento, e não uma avaliação plena da equidade educacional; quem aprende com pouca atividade pode estar com dificuldades, desengajado ou já familiarizado com o material. A explicabilidade ali assume a forma de análise baseada em trajetórias e contrafactual, com estabilidade contrafactual mediana CR@10 = 1,0 para muitos estudantes, mas viés de popularidade persistente no nível do catálogo refletido em altas métricas de exposição de Gini. A lição é que a mitigação de viés precisa ser mensurada no nível da exposição e dos grupos de estudantes, e não inferida da precisão ou da presença de um módulo de explicação, e que a supervisão com humano no circuito só é significativa se o humano vê a evidência no nível do grupo.

Trajetórias de aprendizagem na prática

As trajetórias não são apenas computadas; elas são desenhadas. Divjak, Svetec e Horvat (2026) voltaram a analítica de aprendizagem para o próprio processo de desenho, analisando a sequência de 29.064 atividades de ensino e aprendizagem ao longo de 554 cursos planejados em uma ferramenta livre de Planejamento de Desenho Equilibrado. Cadeias de Markov e mineração de padrões trouxeram à superfície uma gramática de desenho: as atividades do tipo Aquisição eram o tipo de aprendizagem mais comum (acima de 20%) e o ponto de entrada mais comum, seguidas de Prática, Discussão e avaliação (cada uma 15–20%), e a transição mais forte foi Avaliação → Discussão (0,332), à frente de Prática → Prática (0,317). A regra Aquisição → Avaliação → Prática → Prática se manteve com confiança 0,74 (lift 1,45), e o tipo de aprendizagem acompanhava o nível cognitivo do resultado pretendido: a Aquisição caiu de cerca de 50% das atividades no nível 1 de Bloom para cerca de 20% no nível 6. Os autores alertam que a semelhança com desenhos invertidos, baseados em investigação ou baseados em projetos não é evidência de intenção —, mas um recomendador treinado em tais dados de desenho aprende esses hábitos, incluindo um viés para atividades de abertura orientadas à transmissão.

Na outra extremidade da escolarização formal, a estrutura da trajetória se torna uma questão de governança. Szekely, Gal-Ezer e Harel (2026) argumentam que o acesso ao conhecimento mediado por IA justifica repensar currículos fixos de ensino superior e propõem os "grafos learnity" — representações estruturadas da aprendizagem como unidades interconectadas de conhecimento, habilidades, experiência e artefatos —, abrangendo aprendizagem acadêmica, profissional e pessoal. A proposta mantém o papel da universidade no conhecimento fundamental, ao mesmo tempo que desloca a ênfase para a criatividade e a integração interdisciplinar, e torna quem aprende um mantenedor de seu próprio grafo, que é onde ela encontra a aprendizagem autodirigida e a aprendizagem autorregulada. Se a navegação autodirigida leva a algum lugar construtivo não é garantido: Shen e Arunrugstichai (2026) modelam duas vias do clima de aprendizagem no ensino médio para o uso de IA generativa na universidade em uma pesquisa transcultural (N = 508), distinguindo o uso autônomo construtivo da dependência compulsiva.

Um limite que vale declarar: o que os recomendadores fazem hoje está mais próximo de consulta que de colaboração. Mutlu Cukurova (2026) reconstrói o que historicamente se exigiu antes que uma interação se qualificasse como colaborativa — uma relação negociada e parcialmente simétrica, objetivos compartilhados e negociáveis, uma divisão de trabalho baixa e cambiante, e modelagem mútua e regulação socialmente compartilhada —, e conclui que a maioria da interação humano-IA atual é melhor descrita como consulta, governança, delegação ou instrução. Sua taxonomia de cinco níveis (transacional, situacional, operacional, praxical, sinérgico) é uma calibração útil: sugerir o próximo recurso é um arranjo operacional, e chamá-lo de parceiro de aprendizagem colaborativa infla a afirmação.

Como esta página se relaciona à pesquisa em personalização, adaptação e tutoria

As três páginas de conceito adjacentes cobrem terreno adjacente e deveriam ser lidas junto com esta. A aprendizagem personalizada cobre o objetivo — personalizar toda a experiência, incluindo objetivos, preferências e ritmo, do qual a seleção de trajetória é um componente. A aprendizagem adaptativa cobre o mecanismo — o laço medir-modelar-adaptar que muda conteúdo, ritmo e dificuldade em tempo real. A tutoria inteligente cobre a plataforma, o sistema canônico que combina diagnóstico com interação instrucional. Esta página cobre a camada de decisão que aquelas páginas pressupõem: a própria tecnologia de ranqueamento e sequenciamento. É o lar das arquiteturas de recomendação por filtragem colaborativa e por grafo de conhecimento, da descoberta de relações de pré-requisito e da ordenação curricular, da explicabilidade e da equidade das saídas ranqueadas, e dos modos de falha específicos dos recomendadores — início frio, viés de popularidade, estreitamento excessivo, ranqueamento opaco e qualidade desigual das recomendações entre grupos de estudantes. Um estudo que reporta NDCG ou cobertura sobre registros de interação pertence aqui; um que reporta ganhos de aprendizagem de um diálogo de tutoria pertence à página de tutoria ou de aprendizagem adaptativa.

Riscos e questões abertas

A base de evidências tem uma forma consistente: métricas fortes de ranqueamento offline, evidência fraca sobre aprendizagem. Ambos os estudos de recomendação acima são avaliados em registros históricos de interação e o dizem, e os autores de CF–KG pedem explicitamente avaliações de professores, estudos com quem aprende e experimentos baseados em resultados. O viés de popularidade sobreviveu a um objetivo de treinamento consciente de equidade em um sistema, de modo que o campo ainda não consegue apontar uma correção de reranqueamento ou de regularização que mude a exposição de forma confiável, e as auditorias de equidade permanecem limitadas pelo que os registros de LMS contêm. O início frio é abordado arquiteturalmente, por meio de estrutura semântica, mas não testado em usuários genuinamente novos em implantação ao vivo. A eficiência das trajetórias está melhor evidenciada, mas os números de eficiência ainda repousam sobre um estudo e uma família de algoritmos, e uma trajetória mais curta não é automaticamente melhor se remove a dificuldade produtiva de que quem aprende precisa. O trabalho formal de otimização de trajetórias afia o ponto nas duas direções: garantir um problema difícil diz pouco sobre um corpus particular, já que um escalador de morros alcançou o topo da rubrica de intercalação em todo perfil real, apesar das provas de NP-completude, e uma trajetória pontuada 3,54 em uma rubrica derivada da teoria ainda é uma trajetória que ninguém testou com quem aprende, de modo que a qualidade da rubrica é um proxy voltado ao designer para a evidência de resultado, e não um substituto dela. O vocabulário também é instável: Ikram e colegas (2026), em uma revisão PRISMA de 31 artigos indexados no Scopus (2013–2025), relatam efeitos cognitivos médios a grandes (g = 0,50–0,70) para sistemas adaptativos habilitados por IA, fortemente moderados pela qualidade da implementação e pelo desenho do estudo.

A mesma literatura começou a propor remédios para o estreitamento, embora ainda não a testá-los. Najem, Zaoui Seghroucheni e Ziti (2026) agrupam 14.003 registros de estudantes sobre 12 insumos comportamentais, psicológicos e ambientais autorrelatados em seis perfis com K-Means++ e forte separação (Silhouette 0,62; η² = 0,770 na nota final, com uma lacuna média de 40,17 pontos na nota de prova entre os perfis mais alto e mais baixo), e depois mapeiam os perfis para objetos de aprendizagem por meio de uma pontuação de afinidade combinada com uma matriz de mapeamento Felder-Silverman e um termo de regularização de diversidade (λ = 0,30) cujo propósito explícito é impedir que um recomendador colapse no que um perfil já prefere. O desenho é a contribuição, e a evidência não é: a camada de recomendação é conceitual, sem implantação ou medida de resultado relatada, e os autores declaram que os insumos do agrupamento são proxies autorrelatados, e não rastros de interação de LMS. É uma resposta candidata à lacuna de regularização que esta página observa, ainda à espera da validação que a página diz que o campo não tem.

Conceitos conectados

• Grafo de conhecimento — Representações estruturadas de conceitos, recursos e relações de pré-requisito
• IA explicável — A explicação como atributo de desenho que medeia compreensibilidade e confiança
• Desenho curricular — Decisões de ordenação que os recomendadores modelam, inferem e reproduzem
• Desenho de aprendizagem — A sequência planejada de atividades sobre a qual as análises de trajetória operam
• Analítica de aprendizagem — Os dados e métodos por trás da recomendação, e o objeto da auditoria
• Diagnóstico Cognitivo — Diagnosticar estados de conhecimento que semeiam trajetórias de remediação
• Rastreamento de conhecimento — Modelar o domínio ao longo do tempo para decidir para o que quem aprende está pronto
• Modelagem de quem aprende e instrução adaptativa — Representações de quem aprende que a recomendação consome
• Aprendizagem personalizada — O objetivo mais amplo; esta página cobre a decisão de seleção
• Aprendizagem adaptativa — O mecanismo de ajuste em tempo real; esta página cobre ranqueamento e sequenciamento
• Tutoria inteligente — A plataforma que age sobre as recomendações em diálogo
• Mitigação de viés — Intervenções de equidade no ranqueamento e na exposição
• Equidade na educação com IA — Diferenças no nível do grupo na qualidade da recomendação
• IA com humano na alça (HITL) — Supervisão da navegação automatizada de recursos
• Aprendizagem autodirigida — Trajetórias mantidas por quem aprende e navegação ao longo da vida
• Aprendizagem ao longo da vida — Aprendizagem estruturada em grafo além de uma sequência de diploma
• Calibração da confiança — Ajustar a dependência à confiabilidade da recomendação
• Apoio e sucesso dos estudantes — recomendar apoio, recursos e trajetórias acadêmicas

Artigos conectados

• A Hybrid Collaborative Filtering and Knowledge Graph-Based Cross-Domain Recommendation Method for Multimodal Teaching Resources — Filtragem colaborativa híbrida mais grafo de conhecimento para recursos de ensino multimodais, com fusão consciente de habilidade e progresso (Liu, Sun & Song 2026)
• Fair and explainable educational recommendations with a hybrid Graph-GRU framework — Recomendador com grafo de conhecimento heterogêneo + GRU com equidade GroupDRO e explicabilidade contrafactual (Evangelista & Bukhari 2026)
• The Impact of Explainable AI on Teachers' Trust and Acceptance of AI EdTech Recommendations: The Power of Domain-specific Explanations — Explicações orientadas pelo domínio constroem mais confiança do professor que gráficos de importância de atributos (Feldman-Maggor et al. 2025)
• ProPRL: Property-Aware Prerequisite Relation Learning in Educational Knowledge Graphs — Aprendizado de relações de pré-requisito com uma restrição de irreversibilidade para consistência direcional (Cheng et al. 2026)
• Automated Recommendation of Programming Learning Content Using Pattern-based Knowledge Components — Recomendando prática de programação por similaridade de componentes de conhecimento baseados em padrões (Hoq et al. 2026)
• Learning paths and patterns in learning design: Insights from 500+ courses — Análise por Markov e mineração de padrões de 29.064 atividades desenhadas ao longo de 554 cursos (Divjak, Svetec & Horvat 2026)
• Bayesian cognitive diagnosis optimizes personalized learning paths via mediation of cognitive load and Hidden Markov Model state transitions — Diagnóstico DINA bayesiano e trajetórias de remediação mais curtas, mediadas pela carga cognitiva (Feng & Huang 2026)
• Detecting Knowledge Gaps from Conversational AI Interactions Using Curriculum Prerequisite Graphs — Mapear questões a um assistente de ensino com IA para um grafo de pré-requisitos extraído por GPT-4 a fim de encontrar lacunas no nível do currículo (Medhat et al. 2026)
• Rethinking Higher Education: From Fixed Curricula to Learnity Graphs — Grafos learnity como alternativa de aprendizagem ao longo da vida a currículos fixos (Szekely, Gal-Ezer & Harel 2026)
• What do you mean by human-AI collaboration: Prerequisite functions and the affordances needed to achieve it — Taxonomia de cinco níveis mostrando que a maioria da interação humano-IA é consulta, e não colaboração (Mutlu Cukurova 2026)
• How High-School Pressure and Autonomy Support Are Linked to Dual AI Learning Pathways: A Cross-Contextual SEM Analysis — Apoio à autonomia versus pressão prevendo vias de IA construtivas ou compulsivas (Shen & Arunrugstichai 2026)
• Artificial Intelligence in Education: A Systematic Review of Personalized Learning Trends and Future Directions — Revisão PRISMA de tendências, trajetórias e modelos de recomendação da aprendizagem personalizada (Ikram et al. 2026)
• PersonaPath: Towards Knowledge-Centric Personalized Learning Path Planning — PersonaPath: um benchmark de planejamento Conhecimento-Cêntrico mostrando que LLMs alcançam 90,9% de validade, mas apenas 44,3% de adaptatividade (Liu et al. 2026)
• Personalized Exercise Recommendation with Semantically-Grounded Knowledge Tracing — recomendação de exercícios como uma decisão sequencial sobre um rastreador semanticamente fundamentado
• Behavioral clustering for adaptive learning object recommendation in higher education using learning analytics for personalized student success — Agrupamento comportamental de 14.003 registros em seis perfis, mapeados para objetos de aprendizagem com um framework de recomendação regularizado por diversidade (Najem et al. 2026)