Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Modelagem de quem aprende e instrução adaptativa

Criado 2026-08-09 · Atualizado 2026-10-03

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

Modelagem de quem aprene e instrução adaptativa — o guarda-chuva para como a IA representa quem aprene (o que sabe, sente e precisa) e como usa essas representações para adaptar o ensino. A família abrange a camada de modelagem — modelagem do estudante, rastreamento de conhecimento, diagnóstico cognitivo e simulação de estudantes — e os sistemas adaptativos que consomem esses modelos — tutoria inteligente, aprendizagem adaptativa e aprendizagem personalizada. A questão compartilhada: como um sistema sabe o que quem aprene sabe, e o que deveria ensinar em seguida?

Perguntas para refletir

  • A questão guarda-chuva que esta página coloca é: como um sistema sabe o que quem aprene sabe, e o que deveria ensinar em seguida? Antes de continuar a leitura, como você começaria a representar "o que quem aprene sabe" em uma máquina?
  • A modelagem de quem aprene abrange rastreamento de conhecimento (rastrear o conhecimento ao longo do tempo), diagnóstico cognitivo (mapear habilidades dominadas) e simulação de estudantes (aprendentes sintéticos). O que você acha que cada abordagem faz bem — e o que cada uma arrisca errar?
  • Toda IA adaptativa depende de algum modelo de quem aprene. Se um modelo é tão bom quanto a evidência que o alimenta, que evidência você acha que os sistemas de IA realmente têm sobre um estudante, e que coisas importantes sobre ele permanecem invisíveis?
  • Um modelo pode capturar o que um estudante acerta e erra, mas não por quê, nem como se sente. Como um modelo de quem aprene poderia enganar um sistema adaptativo de formas que prejudicam, em vez de ajudar, o estudante?
  • Se você estivesse desenhando um tutor adaptativo, o que você gostaria que o modelo que ele tem de você incluísse — e o que você gostaria que lhe fosse explicitamente proibido presumir?

Introdução

A modelagem de quem aprene é a representação computacional de quem aprene; a instrução adaptativa é o que os sistemas fazem com essa representação. Toda IA adaptativa na educação depende de algum modelo de quem aprene — mesmo um leve — e todo modelo de quem aprene existe para informar alguma decisão instrucional. Esta página é o guarda-chuva para esse pipeline: os métodos de modelagem, os sistemas que agem sobre modelos, e como eles se relacionam.

A camada de modelagem

Esses conceitos respondem "o que quem aprene sabe, sente e precisa?" — o lado da representação da família.

  • modelagem do estudante — a prática ampla de representar características de quem aprene (conhecimento, habilidades, estados afetivos, engajamento, preferências) de forma computacional. É o termo guarda-chuva dentro desta camada, abrangendo todas as formas de representar quem aprene.
  • rastreamento de conhecimento — a prática específica de modelar o conhecimento cognitivo ao longo do tempo rastreando o desempenho em exercícios e prevendo o domínio futuro. Ele formaliza a dinâmica temporal da aprendizagem — quando o conhecimento é ganho, decai, e como os conceitos se relacionam.
  • diagnóstico cognitivo — avaliação refinada de quais habilidades ou componentes de conhecimento específicos quem aprene dominou, produzindo um perfil de domínio que apoia a remediação direcionada.
  • simulação de estudantes — gerar aprendentes sintéticos sob demanda, em vez de representar um real, para que a pedagogia e os sistemas de IA possam ser testados ou treinados offline.
  • Um formalismo causal para modelos de quem aprene. Mangili et al. (2026) substituem redes bayesianas de portão ruidoso por modelos causais estruturais elicitados de especialistas, tornando as dicas variáveis endógenas explícitas, de modo que o modelo pode perguntar o que um estudante teria respondido sem a ajuda que usou — ligeiramente menos preditivo, mas capaz de contrafactuais que modelos associativos não conseguem expressar.

O estudo de Zhang, Jeffries & Koprinska (2025) ilustra que a representação fiel não exige a família de modelos mais complexa: um modelo de estudante leve e intrinsecamente interpretável baseado em árvore de decisão — construído a partir de características de interação com o conteúdo do curso, e não de telemetria rica — prediz o progresso no nível do módulo em cursos online de programação em grande escala (85–91% de precisão) e separa perfis de engajamento desengajado em risco, desengajado mas bem-sucedido, e engajado de alto desempenho, apoiando o alerta precoce de learning analytics em escala.

Um modelo preditivo de quem aprene pode repousar sobre a estrutura da matrícula, e não sobre dados de rastro: o TRACE codifica cada semestre como uma cesta desordenada de cursos e prevê o conjunto de cursos e as notas juntos, reduzindo o erro de previsão de notas para 0,1339 de MAE — 46,4% abaixo de um modelo apenas com notas — ao longo de 5.326 estudantes e dez anos (Savala (2026)).

Os modelos de estudante também podem ser construídos puramente a partir de rastros comportamentais e ainda assim apoiar a adaptação. An, Hammock & Goel (2025) derivaram três perfis de engajamento — Observação, Construção e Exploração — dos clickstreams de 315 aprendentes online construindo 822 modelos ecológicos no VERA, sem nenhum dado demográfico ou contextual, e mostraram que esses perfis predizem a qualidade do modelo (a Exploração produz os modelos mais complexos e diversos, enquanto a Observação é dominada por modelos copiados, e não originais). Tais caracterizações no nível do engajamento são os modelos de estudante granulares que a camada de instrução adaptativa pode consumir para direcionar o feedback.

A modelagem afetiva do estudante é uma dimensão adicional: um tutor de matemática inferiu emoção a partir de texto conversacional e expressão facial e mapeou o estado agregado a estratégias de tutoria, mas a fusão multimodal alcançou apenas 60% de precisão contra as próprias anotações dos participantes, tornando a leitura do afeto o elo mais fraco do pipeline (Kar et al. (2025)).

Gutterman et al. (2026) concluíram que um sinal de início atrasado registrado durante a prática de matemática previu resultados em inglês, com procrastinadores crônicos (mais de 13 minutos) mostrando ganhos menores (ELA β = -.11 DP), mesmo após controlar por conhecimento prévio e tempo na tarefa — então os modelos comportamentais de estudante podem se transferir entre matérias sem retreinamento por curso, embora seus pontos de corte precisem ser re-derivados.

A camada de instrução adaptativa

Esses conceitos respondem "o que deveria ser ensinado em seguida?" — o lado da aplicação que consome modelos de quem aprene.

  • tutoria inteligente — sistemas que usam modelos de estudante e estimativas de domínio para selecionar problemas e oferecer orientação no nível do passo, a aplicação clássica da modelagem de quem aprene.
  • aprendizagem adaptativa — sistemas que ajustam conteúdo, ritmo ou dificuldade em resposta ao modelo de quem aprene.
  • aprendizagem personalizada — a adequação mais ampla da instrução, do conteúdo e das trajetórias às características e preferências individuais de quem aprene.

Como os membros se relacionam

Os conceitos formam um pipeline, e não competidores: a modelagem do estudante é a representação guarda-chuva; o rastreamento de conhecimento e o diagnóstico cognitivo são métodos específicos de modelagem que a populam; a simulação gera aprendentes, em vez de representar os reais; e a tutoria inteligente, a aprendizagem adaptativa e a aprendizagem personalizada são os sistemas que consomem esses modelos para adaptar a instrução.

Modelagem do estudante versus simulação de estudantes é a distinção-chave a manter em mente. A modelagem do estudante diz respeito a representar quem aprene real — construir um modelo a partir dos dados reais de um estudante, para que um sistema adaptativo possa agir sobre esse indivíduo. A simulação de estudantes, em contrapartida, gera um aprendente sintético sob demanda para substituir aprendentes reais, de modo que a pedagogia e a IA possam ser avaliadas ou treinadas offline. As duas estão intimamente relacionadas, e não são intercambiáveis: estudantes simulados tipicamente embutem um modelo de estudante (um estado epistêmico, um conjunto de equívocos ou um perfil de engajamento) e recorrem aos mesmos construtos que o rastreamento de conhecimento e o diagnóstico cognitivo formalizam. Seus propósitos divergem — a modelagem do estudante serve à adaptação ao vivo ao informar decisões sobre uma pessoa real, enquanto a simulação fabrica aprendentes para testar sistemas (e, cada vez mais, para auditar a IA, por exemplo, López-Pernas et al. (2026)) em vez de para agir sobre qualquer indivíduo real.

Rastreamento de conhecimento versus modelagem do estudante é a outra confusão comum. O rastreamento de conhecimento modela especificamente o conhecimento cognitivo ao longo do tempo; a modelagem do estudante é a prática mais ampla, que abrange todos os aspectos de quem aprene (estado afetivo, engajamento, preferências). O rastreamento de conhecimento é um tipo de modelagem do estudante focado na dimensão cognitivo-temporal. Os construtos de rastreamento de conhecimento também informam os estudantes simulados — o estado cognitivo de um aprendente simulado é frequentemente formalizado com as mesmas dinâmicas de domínio/decadência que os modelos de rastreamento de conhecimento modelam, então a simulação é uma forma de gerar os estados de conhecimento que os métodos de rastreamento normalmente inferem de dados reais de resposta.

Ancorar o rastreamento ao currículo fortalece o modelo. Pradeesh et al. (2026) mostram que um modelo de quem aprene ganha fidelidade quando o rastreamento é atrelado a uma estrutura curricular explícita, em vez de ser aprendido puramente a partir dos dados: o Outcome-Based Knowledge Tracing (OKT) deles trata os resultados de cursos em Educação Baseada em Resultados como os conceitos de conhecimento a rastrear, fornece relações entre conceitos por meio de "mapeamentos de afinidade" OBE validados por especialistas entre resultados de curso e de programa (uma alternativa explícita à atenção implícita ou à passagem de mensagens por grafos), e usa um módulo aumentado por memória para modelar como a obtenção de um resultado impacta os outros. Em dados vivos de programa de engenharia, ele superou as linhas de base DKT, DKVMN, EKT e SimpleKT (89,81% de AUC), ilustrando que a camada de modelagem pode explorar a própria estrutura do currículo para representar quem aprene de forma mais fiel.

Tutoria inteligente versus aprendizagem adaptativa/personalizada fica no lado da aplicação: a tutoria inteligente é o sistema que seleciona problemas e dá orientação no nível do passo; a aprendizagem adaptativa ajusta conteúdo e ritmo; a aprendizagem personalizada é a adequação mais ampla de toda a experiência de aprendizagem. As três são as "consumidoras" da camada de modelagem.

O desafio de validade compartilhado

Ao longo de toda a família, o desafio de validade que define é o mesmo: a representação de quem aprene precisa refletir fielmente o verdadeiro estado de quem aprene, e não as suposições padrão do sistema. Para a modelagem do estudante e o rastreamento de conhecimento, isso significa que o modelo precisa capturar genuinamente o que quem aprene sabe (avaliação e validade da mensuração). Para a simulação, significa que o aprendente sintético precisa exibir imperfeição realista, e não a competência plena do modelo nem a concordância sicofântica. Sistemas adaptativos que consomem modelos defeituosos herdam e propagam esse erro.

Modelos que inferem o estado de quem aprene a partir de jogabilidade alcançaram AUCs de 0,848–0,913, mas apenas dois dos 55 estudos revisados auditaram-nos quanto a viés demográfico, e apenas um examinou resultados diferenciais por habilidade de quem aprene (Kaşarcı e Yurt (2026)).

Alguns sinais pretendidos podem não ser recuperáveis do diálogo de forma alguma: o piloto do framework Learning Context recuperou equívocos em 91,4% e ansiedade em 100%, mas conscienciosidade em apenas 68,6% e proficiência linguística em 60%, então um modelo consciente do contexto deveria capturar traços de superfície lenta, em vez de esperar que o diálogo os exponha (Liu et al. (2026)).

Lin et al. (2026) expõem uma circularidade em como tais aprendentes sintéticos são validados: seus agentes EduMirror administram questionários psicométricos post hoc e leem a concordância com a representação de valor interna do agente como validade psicológica, mas, como o Surveyor mede dimensões já codificadas nesse sistema de valor, a verificação é uma verificação de consistência, e não uma validação independente.

A correção nem sempre é um sinal fiel. An, McLaren e Stamper (2026) mostram que um modelo de quem aprene que infere domínio a partir de ações corretas pode deturpar o verdadeiro estado de quem aprene: quem aprene que exibe generalização excessiva enganosa parece ter dominado, mas omite uma restrição crítica de aplicação, então os sistemas adaptativos podem encerrar a prática prematuramente. Os modelos de quem aprene deveriam avaliar a compreensão condicional — incluindo se quem aprene sabe quando reter uma ação —, e não apenas a correção da ação.

Os equívocos ocultos mostram a mesma falha pelo outro lado: Imran e Bulathwela (2026) concluíram que um classificador ajustado capturou 57,4% das respostas corretas alcançadas por raciocínio falho, e, a uma prevalência de 1,6%, mesmo um modelo de raciocínio com 83,6% de precisão deixava 8 alarmes falsos por detecção — então os sinais de domínio baseados em correção são ao mesmo tempo incompletos e caros de reparar.

Como um modelo é validado é, ele mesmo, uma questão de validade. Schuetze, Yan e Carvalho (2025) mostram que modelos populares de quem aprene (BKT, BKT-com-Esquecimento, AFM) parecem capturar a aprendizagem humana apenas quando ajustados retroativamente a um conjunto de dados completo de múltiplas sessões; sob validação cruzada temporal (walk-forward) — prevendo uma sessão futura a partir das anteriores, como tais modelos são de fato implantados — eles superestimam o desempenho, não capturam o efeito de espaçamento e desordenam as condições de prática. Como os modelos aumentados por esquecimento e os livres de esquecimento tiveram desempenho aproximadamente igual ao longo das sessões, os autores concluem que o esquecimento é frequentemente absorvido em parâmetros de quem aprene, e não genuinamente representado. A lição para a família é que uma representação fiel de quem aprene precisa ser validada da forma como é usada — e que confundir desempenho no momento com retenção de longo prazo produz modelos que parecem precisos, mas deturpam quem aprene.

Modelagem na era das LLMs

Avanços recentes usam LLMs para modelagem mais rica. O framework HiLLM-CD representa estudantes como árvores de proficiência; abordagens multimodais constroem representações de conhecimento fundamentadas em evidência a partir de fontes de dados diversas; as LLMs agora simulam estudantes com raciocínio. As LLMs viabilizam a construção automatizada de modelos a partir de texto educacional e a simulação de estudantes de maior fidelidade, reduzindo a dependência de anotação por especialistas — ao mesmo tempo que aguçam as preocupações de fidelidade acima. Os sinais de modelo de quem aprene também fundamentam o raciocínio das LLMs: Reddig, Arora & MacLellan (2025) concluíram que alimentar o GPT-4 com a estimativa de habilidade de rastreamento de conhecimento bayesiano de um estudante, junto com a estrutura da interface do tutor, melhorou acentuadamente seu diagnóstico de erros (a identificação de erro lógico subiu de 40% para 81% na fatoração; ~87,8% no geral), enquanto problemas de múltiplos passos e respostas contendo vários erros permaneceram os casos mais fracos — evidência de que acoplar um modelo formal de quem aprene a uma LLM fortalece, mas não garante, inferência sólida sobre um estudante real. O CoLearn (He et al., 2026) mostra como é uma versão persistente desse acoplamento: domínio e equívocos minerados são armazenados por (aprendente, matéria), e não como registros por sessão, de modo que a evidência se acumula ao longo das sessões, e a memória é escrita por uma função de observação avaliada por LLM, ao mesmo tempo que permanece inspecionável por quem aprene por meio de barras de domínio e de um rótulo que nomeia o que cada questão gerada foi escolhida para sondar. Seus controles tornam explícita a etapa de escrita — com a memória lida, mas não mais atualizada, a parcela de itens voltados a uma habilidade genuinamente fraca caiu de 0,72 para 0,57 — e ele mantém intacta a ressalva desta página: o domínio armazenado é a crença do agente sobre quem aprene, e não uma mensuração de seu conhecimento.

A linguagem pode substituir os embeddings de ID como representação: o PLCD constrói esquemas de conceitos derivados de LLM e grafos de processo de exercício como prioris, alcançando 83,51% de precisão no XES3G5M, com os maiores ganhos em início frio — 4,60 pontos de ACC sobre o KCD para novos conceitos e 4,00 para novos exercícios — onde os modelos baseados em ID não têm histórico (Liu et al. (2026)).

A qualidade do simulador se separa em dois eixos: um pipeline de primeiro especializar no conjunto que treina padrões comportamentais compartilhados antes de um adaptador por estudante alcançou fidelidade comportamental de 0,51 e responsividade à orientação de 0,91 no xadrez, contra 0,23 e 0,72 para uma linha de base de representação de papel de fronteira, mostrando que um simulador precisa tanto corresponder a um estudante quanto ser dirigível (Yang et al. (2026)).

Pontuações de risco podem ser precisas e ainda assim não sustentadas: Gheisari e Salarian (2026) alcançaram 99% de precisão prevendo abandono a partir de registros de matrícula e de desempenho, mas sobre os 1.027 registros limpos de uma única instituição, sem validação externa, sem intervenção testada e com auditorias de equidade nomeadas como trabalho futuro — a pontuação apoia a triagem, não um veredicto sobre um estudante.

Um modelo de quem aprene que apenas prediz risco não basta para apoio à decisão: acoplar um modelo calibrado de risco a recurso por programação inteira sobre ações discretas — validado contra restrições de tempo, orçamento, imutabilidade e disponibilidade — produziu planos de intervenção compactos, onde a otimização isoladamente aceitava os inaplicáveis (Le, Abel & Laforge (2026)).

Um estimador de caixa preta também pode ser destilado em um modelo pequeno autoexplicativo: um pipeline de dois estágios transforma um estimador ajustado e sua interpretação post hoc em um "mentorizado" de 2B de parâmetros que devolve uma estimativa junto com uma narração, auditada por fidelidade, e não por fluência (Distilling Black-Box Machine Learning into a Small, Self-Explaining Language Model for Learning Analytics).

Conexões com outros conceitos

A modelagem de quem aprene e a instrução adaptativa alimentam os learning analytics (painéis e intervenções), a avaliação formativa (avaliação orientada por analytics) e o feedback (o que o sistema diz a quem aprene). Ela se conecta à IA na educação como uma vertente central da IA para a educação.

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

Tecnologias e técnicasAprendizagem adaptativa, Diagnóstico Cognitivo, Tutoria inteligente, Rastreamento de conhecimento, Analítica de aprendizagem, Grandes modelos de linguagem (LLMs), Aprendizagem personalizada, Simulando Estudantes, Modelagem de quem aprende e instrução adaptativa
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.