– ensinando e estudando
Inscrições: https://forms.gle/MacFTM9R6GKkZrVC7
Informações: acm@acm-itea.org
Será abordada a prática do Ensino da Matemática ao uso de Inteligência Artificial especializada, que oportunize não só ao professor ensinar com proeminente excelência, mas também que o aluno abiscoite o mais divertido, inédito, inspirador e astucioso feitio de estudar e aprender, espantosamente. Finalidade última é retirar o estorvo para o professor de arcar com o encargo de tudo saber decorado e agraciar o aluno com a soberania de saber e experimentar só tudo que desejar. Se participar concretamente das atividades oferecidas, aprenderá (tão bem, como andar de bicicleta) para sempre, em contrário em dias terá esquecido só tudo.
Resumo
Este texto analisa a presença da Inteligência Artificial (IA) na sala de aula, abordando suas evoluções históricas, perspectivas científicas, enfoques experimentais, aplicações e utilidades, bem como sua relevância para a Educação Básica. A partir de uma revisão de literatura nacional e internacional, integra conceitos clássicos de aprendizagem (Skinner, Piaget, Vygotsky, Papert) a pesquisas contemporâneas sobre sistemas tutoriais inteligentes e literacia em IA. Conclui-se que a IA pode potencializar práticas pedagógicas se usada de forma ética, transparente e fundamentada teoricamente.
Palavras-chave: Inteligência Artificial, Educação Básica, Tutoria Inteligente, Construcionismo, Literacia em IA.
Introdução
O avanço acelerado da Inteligência Artificial (IA) transformou setores econômicos e sociais, alcançando também o campo educacional. Ferramentas baseadas em IA prometem personalizar o ensino, oferecer feedback imediato e apoiar docentes em tarefas administrativas. No entanto, para além do fascínio tecnológico, é preciso compreender as raízes históricas e os fundamentos pedagógicos que orientam a aplicação da IA no ensino.
Estudos sobre sistemas de tutoria inteligente (Alkhatlan; Kalita, 2018), literacia em IA (Park et al., 2023) e uso de modelos generativos em planos de aula (Lee; Zhai, 2024) mostram que a tecnologia sozinha não garante aprendizagem significativa. Ao mesmo tempo, teorias clássicas de Skinner (1958), Piaget (1976), Vygotsky (1978) e Papert (1980) oferecem referenciais para desenhar ambientes mediados por tecnologia.
Assim, este artigo apresenta, em cinco seções, um panorama sobre IA em sala de aula: evolução histórica, perspectivas científicas, enfoques experimentais, aplicações e relevância para a Educação Básica.
- Evoluções Históricas
A história dos sistemas inteligentes de apoio à aprendizagem é inseparável de concepções psicológicas e pedagógicas do século XX. O surgimento dos Intelligent Tutoring Systems (ITS) nas décadas de 1970-80 representou uma das primeiras articulações entre ensino automatizado e IA, inspirando-se em princípios de feedback imediato e instrução programada oriundos do behaviorismo (Skinner, 1958). Esses sistemas adaptavam ritmo e conteúdo ao aluno, mas eram limitados pela tecnologia disponível (Alkhatlan; Kalita, 2018).
Nos anos 1970 e 1980, Seymour Papert, discípulo de Piaget, desenvolveu a linguagem LOGO e o construcionismo, defendendo que computadores fossem ambientes para construção ativa do conhecimento (Papert, 1980). Essa visão antecipava muitos princípios hoje discutidos para IA em sala de aula: personalização, exploração ativa e mediação tecnológica.
Além disso, o construtivismo de Piaget (1976) e o sociointeracionismo de Vygotsky (1978) fundamentam abordagens atuais de IA que buscam adaptar-se ao nível de desenvolvimento do aluno e explorar a “zona de desenvolvimento proximal”, fornecendo apoio justo-a-tempo.
- Perspectivas Científicas
A literacia em IA (AI literacy) busca desenvolver nos estudantes compreensão crítica de como sistemas funcionam, seus limites, efetividade e implicações éticas. Essa competência é cada vez mais relevante na Educação Básica (Park et al., 2023).
A explicabilidade e a ética em IA também remetem à crítica de Papert (1980) ao uso “instrucionista” dos computadores. Conati; Porayska-Pomsta; Mavrikis (2018) defendem que modelos de IA devem ser transparentes e interpretáveis, permitindo co-controle professor-aluno, ecoando a ideia vygotskyana de aprendizagem mediada.
Por fim, mesmo as ideias de Piaget sobre estágios de desenvolvimento cognitivo permanecem úteis para desenhar interfaces e níveis de dificuldade graduais em ITS, garantindo que algoritmos não proponham atividades além da maturidade cognitiva do aluno.
- Enfoques Experimentais
Park et al. (2023) mostram que professores de ciências sentem falta de formação para integrar IA, lembrando que, para Papert, o professor é “designer de contextos” e precisa compreender a tecnologia para propor experiências significativas.
Lee; Zhai (2024) estudaram planos de aula elaborados com ChatGPT por futuros professores, encontrando ganhos na geração de atividades, mas também risco de dependência e superficialidade; um resultado que reforça a necessidade de formar “usuários críticos” de IA, e não apenas consumidores.
Mesmo Alkhatlan; Kalita (2018), ao revisarem ITS, destacam que os melhores resultados ocorrem quando os sistemas incorporam feedback graduado, contexto rico e autonomia do aluno — todos princípios alinhados a Piaget, Vygotsky e Papert.
- Aplicações e Utilidades
Ferramentas de IA oferecem feedback imediato e adaptativo, mas seu potencial pedagógico depende de desenhar atividades que promovam construção ativa do conhecimento (Papert, 1980). ITS modernos já incorporam desafios abertos, simulações e visualizações interativas que se aproximam do construcionismo.
IA também permite detecção precoce de dificuldades e recomendação de recursos sob medida, lembrando a “zona de desenvolvimento proximal” de Vygotsky (1978): sistemas podem identificar onde o aluno ainda precisa de apoio e oferecer “andaimes” adequados, retirando-os gradualmente.
Outra utilidade é apoiar o professor em diagnóstico e planejamento, liberando tempo para interação humana e mediação social, aspectos essenciais segundo Vygotsky (1978). A IA não substitui o professor; é instrumento para potencializar práticas pedagógicas fundamentadas.
- Relevância na Educação Básica
Na Educação Básica, IA pode introduzir crianças e adolescentes à lógica computacional, mas também à reflexão crítica sobre algoritmos. Isso concretiza a visão de Papert (1980) de que tecnologia deve ser usada para desenvolver pensamento matemático e científico desde cedo.
Sistemas adaptativos inspirados em Vygotsky podem reduzir desigualdades educacionais, oferecendo apoio personalizado para alunos de diferentes origens. Essa aplicação faz da IA um recurso de inclusão, desde que alinhada a políticas públicas e formação docente.
Por fim, incorporar Piaget, Vygotsky, Skinner e Papert à discussão sobre IA mostra que tecnologias inovadoras só se tornam educativas quando integradas a teorias sólidas de aprendizagem, reforçando a necessidade de formação pedagógica, infraestrutura e reflexão ética para seu uso responsável na escola.
- Conclusão
A IA em sala de aula não é uma panaceia, mas um conjunto de ferramentas que podem ampliar e transformar práticas pedagógicas quando orientadas por fundamentos sólidos de aprendizagem. O diálogo entre sistemas de IA e teorias de Skinner, Piaget, Vygotsky e Papert revela que personalização, feedback, construção ativa e mediação social são princípios centrais para que a tecnologia seja efetivamente educativa.
Para que isso ocorra, é imprescindível investir em formação docente, infraestrutura, políticas públicas consistentes e pesquisa sobre impactos éticos e pedagógicos. Assim, IA poderá cumprir seu potencial de democratizar e enriquecer a Educação Básica, em vez de apenas reproduzir desigualdades ou automatizar processos superficiais.
- Referências Bibliográficas
ALKHATLAN, Ali; KALITA, Jugal. Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments. International Journal of Computer Applications, v. 181, n. 43, p. 1-20, 2019.
CONATI, Cristina; PORAYSKA-POMSTA, Kaska; MAVRIKIS, Manolis. AI in Education needs interpretable machine learning: Lessons from Open Learner Modelling. arXiv:1807.00154, 2018.
LEE, Gyeong-Geon; ZHAI, Xiaoming. Using ChatGPT for Science Learning: A Study on Pre-service Teachers’ Lesson Planning. IEEE Transactions on Learning Technologies, v. 17, p. 1683-1700, 2024.
PAPERT, Seymour. Mindstorms: Children, Computers, and Powerful Ideas. New York: Basic Books, 1980.
PARK, Joonhyeong; TEO, Tang Wee; CHANG, Jina; HUANG, Jun Song; KOO, Sengmeng. Integrating artificial intelligence into science lessons: teachers’ experiences and views. International Journal of STEM Education, v. 10, art. 61, 2023.
PIAGET, Jean. O desenvolvimento do pensamento: equilibração das estruturas cognitivas. Rio de Janeiro: LTC, 1976.
PONTES, Acelino. Prolegômenos à Nova Matemática. Fortaleza: Scientia Publishers, 2023. 232 p.
SKINNER, Burrhus Frederic. Teaching Machines. Science, v. 128, n. 3330, p. 969-977, 1958.
VALENTE, José Armando; ALMEIDA, Maria Elizabeth Bianconcini de. Políticas de tecnologia na educação no Brasil: Visão histórica e lições aprendidas. Education Policy Analysis Archives, v. 28, art. 94, 2020.
VYGOTSKY, Lev Semionovich. Mind in Society: The Development of Higher Psychological Processes. Cambridge: Harvard University Press, 1978.
Acelino Pontes
Formação Profissional: Bancário/contabilista (Banco do Nordeste do Brasil S.A. – Curso de Aprendizagem Bancária – CAB, Fortaleza-CE), Técnico em Rádio, Televisão e Eletrônica (Instituto Monitor, São Paulo).
Formação Acadêmica: Medicina (Fortaleza-CE, Berlim/Alemanha, Munique/Alemanha, Lisboa e Colônia/Alemanha), Filosofia (Munique/Alemanha, Colônia/Alemanha e Fortaleza-CE), Psicologia (Colônia/Alemanha), Direito (Fortaleza-CE) e Matemática (Fortaleza-CE).
Formação Coadjuvante: Biologia (Colônia/Alemanha), Sociologia (Colônia/Alemanha), Física (Colônia e Munique/Alemanha), Química (Colônia e Munique/Alemanha), Teologia (Fortaleza-CE e Colônia/Alemanha) e Medicina Veterinária (Munique/Alemanha).
Especializações
Medicina: Medicina Interna, Psicossomática, Hipnose Médica, Treino Autógeno e Informática Médica (Alemanha).
Psicologia: Psicanálise, Psicoterapia, Sexologia e Terapia Comportamental (Alemanha).
Filosofia: Filosofia da Matemática (UECE) e Filosofia do Direito (UECE).
Pós-Graduação: Curso de Doutorado em Neurologia (Pesquisa Cerebral), Max-Planck-Institut für Hirnforschung, Colônia/Alemanha, Curso de Doutorado em Medicina Interna/Psicossomática, Rheinische Friedrich-Wilhelms-Universität Bonn (Bonn/Alemanha), Curso de Doutorado em Filosofia, Universität zu Köln (Colônia/Alemanha).
Atividades extras: Pesquisador, Professor, Jornalista Médico e Técnico-Científico, Dirigente do Esporte Amador.
Membro da Deutsche Gesellschaft für Innere Medizin – DGIM, da Deutsche Gesellschaft für Verhaltenstherapie – DGVT, Deutsche Gesellschaft für Sexualmedizin, Titular Fundador da Academia Cearense de Direito, membro do Conselho Consultor da Academia Brasileira de Direito, Fundador e Presidente da Academia Cearense de Matemática.
Professor visitante: Aachen (Technische Hochschule), Berlin (Freie Universität), Bielefeld, Bochum, Bonn, Düsseldorf, Hamburg, Hannover (Medizinische Hochschule), Heidelberg, München (Ludwig-Maximilian-Universität), São Paulo – SP (USP), Vitória – ES e Wiesbaden (Deutsche Gesellschaft für Innere Medizin – DGIM).
Currículo Lattes: http://lattes.cnpq.br/0002717896145507