IA e Personalização: O Caso Eedi na Educação

Introdução

No cenário educacional pós-pandemia, muitos estudantes enfrentaram desafios para acompanhar o ritmo escolar, especialmente em disciplinas como matemática. A interrupção prolongada no ensino gerou lacunas de aprendizado que exigiram abordagens inovadoras. É nesse contexto que serviços como o Eedi, uma plataforma online de tutoria de matemática, têm demonstrado o poder da Inteligência Artificial (IA) para transformar o diagnóstico e o suporte educacional, como evidenciado pelo caso de Eithne, uma estudante de 14 anos que, após um ano de dificuldades, encontrou no Eedi um caminho para superar suas limitações.

O Eedi, em colaboração com pesquisadores da Microsoft Research Lab em Cambridge, Reino Unido, desenvolveu uma solução robusta baseada em IA. Essa tecnologia permite identificar de forma eficiente as áreas onde os alunos mais precisam de ajuda, personalizando o processo de aprendizagem de maneira sem precedentes.

O Coração da IA: O Quiz Diagnóstico Dinâmico

A pedra angular da abordagem do Eedi é um quiz diagnóstico dinâmico de 10 perguntas de múltipla escolha. Este quiz não é estático; ele se adapta em tempo real às respostas do aluno, otimizando a identificação de lacunas de conhecimento.

• Adaptação Inteligente: Para cada nova questão, a IA prevê a probabilidade de o aluno responder corretamente a milhares de outras perguntas possíveis. Com base nessas probabilidades, decide qual é a "próxima melhor pergunta" a ser feita para identificar com precisão as áreas de dificuldade ou "equívocos".
• Diagnóstico Profundo: Conforme explicado por Iris Hulls, chefe de operações do Eedi, e Cheng Zhang, pesquisador principal da Microsoft que liderou o desenvolvimento do modelo de machine learning, o sistema aprende o máximo possível sobre o aluno para prever tópicos de crescimento ou conforto.
• Analogia com Tutoria Humana: Essa metodologia se assemelha à forma como um professor experiente conduziria uma conversa individual com um aluno, adaptando as perguntas para entender onde o conhecimento falha. Por exemplo, se um aluno não sabe "3 vezes 7", a IA pode perguntar "1 mais 1" para avaliar a base.

A Base de Dados: Perguntas Diagnósticas de Qualidade

A eficácia do modelo "próxima melhor pergunta" da Microsoft depende crucialmente da qualidade dos dados utilizados para treiná-lo. No caso do Eedi, isso significa milhares de perguntas diagnósticas de alta qualidade, criteriosamente elaboradas por educadores.

• Design de Questões: As perguntas diagnósticas são questões de múltipla escolha com uma resposta correta e três respostas erradas, cada uma projetada especificamente para revelar um equívoco particular do aluno.
• Vantagem da Matemática: A matemática é particularmente adequada para este tipo de avaliação, pois geralmente há uma resposta correta e as respostas incorretas podem ser cuidadosamente elaboradas para indicar erros conceituais, tornando o processo menos subjetivo que em outras áreas.
• Critérios de Qualidade: Craig Barton, co-fundador e diretor de educação do Eedi, enfatiza que boas perguntas diagnósticas devem ser:
  • Claras e inequívocas.
  • Verificar apenas um conceito por vez.
  • Respondíveis em aproximadamente 20 segundos.
  • Vincular cada resposta errada a um equívoco específico.
  • Impedir que um aluno acerte a questão se tiver um equívoco chave.
• Exemplo Prático: Uma questão sobre "múltiplo de 6" pode ter falhas se um aluno que confunde "fator" com "múltiplo" conseguir acertá-la por acaso. Uma pergunta melhor sobre "múltiplo de 15" poderia incluir fatores nas opções de resposta, forçando a manifestação do equívoco.

Da Ferramenta do Professor à Plataforma Online

A jornada do Eedi começou com a visão de educadores como Craig Barton, que transformou a prática de criar perguntas diagnósticas em sala de aula em uma ferramenta online escalável.

• De Caderno à Nuvem: Barton, inicialmente, usava as perguntas diagnósticas em suas aulas, percebendo seu poder. Ele colaborou com Simon Woodhead, co-fundador do Eedi, para criar um banco de dados online.
• Coleta de Dados e Insights: A ideia evoluiu para capturar as respostas dos alunos online, gerando dados que revelariam insights sobre as dificuldades específicas. Isso atraiu investimentos e a atenção da equipe de Iris Hulls, que buscava escalar os benefícios da tutoria de matemática.
• Parceria com Microsoft Research: Um conselheiro conectou a equipe Eedi aos pesquisadores da Microsoft, que estavam aplicando o algoritmo "próxima melhor pergunta" em cenários de saúde – ajudando médicos a decidir quais exames solicitar para diagnosticar pacientes de forma mais eficiente. A adaptabilidade do modelo para o contexto educacional com as perguntas diagnósticas do Eedi era evidente.
• Privacidade e Padrões: É importante ressaltar que o modelo funciona sem coletar informações de identificação pessoal dos alunos (PII). Ele foca em padrões de respostas, garantindo a privacidade enquanto otimiza o aprendizado.

Impacto e Futuro: Caminhos de Aprendizagem Personalizados

O impacto do Eedi é tangível. Seus dados internos mostram que o serviço resolve 95% dos equívocos dos alunos, e a confiança em matemática aumenta significativamente.

• Sucesso Comprovado: Eithne, a estudante mencionada, não apenas se sentiu mais confiante ("Eu consigo fazer isso"), mas também foi capaz de explicar conceitos aos colegas.
• Próxima Geração de IA: A equipe Eedi está agora trabalhando com os pesquisadores da Microsoft para implementar um modelo de machine learning de próxima geração baseado em algoritmos de inferência causal de ponta a ponta.
• Aprendizagem Causal: Este algoritmo integra o conceito de causa e efeito (causalidade) para recomendar percursos de aprendizagem ainda mais personalizados. A ideia é que nem todo aluno aprende da mesma forma ou no mesmo ritmo, e a sequência ideal de tópicos pode variar drasticamente entre indivíduos. Não é mais uma abordagem "um tamanho serve para todos", mas sim um caminho verdadeiramente individualizado, onde a ordem dos tópicos é adaptada à necessidade de cada aluno.

A integração da inteligência artificial no diagnóstico educacional, como demonstrado pelo Eedi, oferece um potencial imenso para personalizar o aprendizado, otimizando a identificação de lacunas e a criação de percursos de estudo eficazes. Essa abordagem não apenas melhora o desempenho acadêmico, mas também impulsiona a confiança dos alunos, preparando-os melhor para os desafios futuros. Na AITY, acreditamos firmemente no poder dessas inovações para moldar um futuro onde o aprendizado é acessível, eficiente e verdadeiramente adaptado a cada indivíduo.