Artigo

Eliel Da Silva Souza; Washington Maciel da Silva

DOI: 10.22167/2675-6528-202603623

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A interseção entre neurociência e Inteligência Artificial (IA) no processo de aprendizagem foi explorada. O estudo objetivou analisar o impacto da mediação tecnológica no desempenho acadêmico de estudantes. Empregou-se um método misto, combinando análise de conteúdo documental e estatística inferencial sobre dados secundários. A investigação baseou-se em um levantamento de bancos de dados consolidados, garantindo anonimato e ausência de contato direto com os alunos. Foram analisados relatórios de plataformas de IA, registros pedagógicos de conselhos de classe e indicadores de desempenho acadêmico, como notas e frequência. Os dados quantitativos, provenientes de 40 registros, revelaram um impacto significativo da mediação tecnológica. Observou-se um aumento de aproximadamente 46,6% na média geral de desempenho, que passou de 4,93 antes da intervenção para 7,23 após a implementação de ferramentas de IA. O teste de Wilcoxon para amostras emparelhadas confirmou a relevância estatística dessa mudança (p=0,001), indicando que a melhoria resultou da intervenção. Adicionalmente, um modelo de regressão linear apontou que a intervenção introduziu novos determinantes de mudança, independentes do nível de conhecimento prévio dos usuários. A perspectiva neurocientífica sugeriu que os Recursos Educacionais Digitais (RED) promovem autonomia, mas podem causar atrofia cognitiva se usados apenas para automatizar funções. Concluiu-se que a IA representa um suporte adaptativo valioso, cuja eficácia está vinculada à intervenção do professor para assegurar um aprendizado crítico e consolidado.

Palavras-chave: Aprendizagem personalizada; Inteligência artificial educacional; Neurociência cognitiva; Tecnologias educacionais.

1. Introdução

A Inteligência Artificial (IA), estudada no campo das Ciências da Computação, configura-se como uma área interdisciplinar que se conecta a diversas outras disciplinas do conhecimento. Seu propósito central é desenvolver sistemas capazes de imitar a inteligência humana, abrangendo habilidades como raciocinar, aprender, fazer inferências e adaptar-se. Para atingir esses objetivos, a IA integra conhecimentos de neurociências, teoria da mente, linguística e estatística (Catania, 2021).

Nesse contexto, a neurociência oferece princípios fundamentais sobre como o cérebro humano aprende, memoriza e reage a estímulos. Paralelamente, a IA possibilita a criação de ferramentas que se ajustam ao ritmo e às necessidades individuais de cada estudante. Os recursos educacionais digitais (RED) baseados em IA, inspirados no funcionamento cerebral, demonstram um potencial significativo para personalizar e aprimorar o processo de ensino-aprendizagem.

Na concepção de Sosa-Alonso et al. (2025), os instrumentos tecnológicos desenvolvidos especificamente para auxiliar e otimizar os processos de aprendizagem são vistos como alternativas promissoras no ambiente escolar. As Tecnologias da Informação e Comunicação (TIC) englobam um conjunto de ferramentas digitais que oferecem suporte às aulas, enquanto os Recursos Educacionais Digitais (RED) compreendem uma vasta gama de materiais, incluindo livros didáticos digitais, plataformas de aprendizagem interativas, ambientes de aprendizagem adaptativos e robótica educacional.

Apesar da crescente ubiquidade da tecnologia, Moreno e Heidelmann (2017) argumentam que, muitas vezes, esses recursos digitais representam um desafio adicional para os professores, em vez de uma solução imediata. Isso destaca um dos principais desafios do novo milênio: a necessidade de integrar a prática educacional ao uso eficiente das TICs. Embora a maioria dos professores em escolas públicas (92%) e privadas (95%) no Brasil tenha acesso à internet, o uso dessas ferramentas frequentemente se restringe a atividades básicas, como pesquisas, redes sociais e download de materiais.

A inserção massiva de ferramentas digitais no ensino tem provocado alterações no método tradicional de ensino-aprendizagem na educação básica. Contudo, a aplicação de recursos de IA para personalizar a educação, especialmente no ensino de química, tem recebido pouca atenção nas escolas. O ensino de ciências, de modo geral, é insuficientemente enfatizado nas escolas públicas brasileiras, o que resulta em uma significativa defasagem de conhecimentos necessários para a compreensão dos fenômenos naturais e suas tecnologias associadas.

Ferreira et al. (2026) corroboram que o ensino de ciências nas escolas enfrenta desafios profundos, culminando em uma defasagem de conhecimento e na negligência dessa área em relação a outras demandas. É comum que as disciplinas de português e matemática sejam priorizadas, como se o aprendizado de ciências não fosse essencial para a formação humana e social dos estudantes. Diante desse cenário, a personalização do aprendizado, conforme Nja et al. (2024), por meio de metodologias ativas baseadas em IA, que adaptam as experiências de aprendizagem às necessidades, pontos fortes, pontos fracos e interesses individuais de cada aluno, emerge como uma abordagem relevante.

Portanto, este estudo justifica-se pela necessidade de compreender a percepção dos usuários e os impactos reais das tecnologias de Inteligência Artificial no ambiente educacional, bem como propiciar uma reflexão crítica sobre os benefícios e desafios éticos da sua adoção. Essa investigação é relevante tanto para a inovação pedagógica quanto para a formação de cidadãos conscientes sobre o uso responsável da tecnologia. Nesse contexto, o presente trabalho teve como objetivo explorar a interseção entre neurociência e Inteligência Artificial no processo de aprendizado, buscando compreender a percepção dos usuários e os impactos reais dessas tecnologias no ambiente educacional, com foco na disciplina de química para estudantes do ensino médio.

2. Material e Métodos

O presente estudo empregou uma abordagem metodológica mista, combinando elementos qualitativos e quantitativos para investigar a relação entre neurociências, inteligência artificial e o processo de aprendizagem. A pesquisa caracterizou-se como um levantamento em bancos de dados consolidados, visando gerar conhecimento aplicável a desafios educacionais. A unidade de análise consistiu em registros de turmas de estudantes da 3ª série do ensino médio na disciplina de química, que já haviam utilizado ferramentas tecnológicas. O foco recaiu sobre a análise de dados secundários e registros institucionais pré-existentes, sem interação direta com os participantes, garantindo anonimato e ausência de contato, conforme o desenho metodológico estabelecido.

A investigação foi estruturada em três fases principais de análise documental. A primeira, Diagnóstico Retrospectivo, envolveu a coleta de dados agregados sobre hábitos de estudo e desempenho acadêmico, incluindo notas e frequência, registrados no sistema da instituição antes da implementação de práticas de Inteligência Artificial. Este processo estabeleceu um panorama inicial do desempenho dos estudantes.

A segunda fase, Intervenção Documental, consistiu na análise de relatórios de uso de plataformas adaptativas e chatbots educacionais, já arquivados. Foram levantadas informações sobre tempo de uso, tipos de ferramentas acessadas e engajamento registrado automaticamente pelo sistema. Não houve contato com os alunos durante esta fase.

Na terceira fase, Avaliação de Impacto Via Dados Secundários, realizou-se uma comparação estatística dos indicadores de desempenho acadêmico coletados na fase de diagnóstico com os resultados obtidos após o uso das ferramentas de IA. As percepções dos docentes sobre engajamento e desafios tecnológicos foram extraídas de relatórios de conselhos de classe ou documentos pedagógicos já finalizados e arquivados, mantendo a premissa de zero interação.

Os instrumentos de coleta de dados foram exclusivamente registros institucionais e digitais pré-existentes, organizados em três frentes. A primeira frente incluiu relatórios de uso gerados automaticamente por plataformas de IA e ambientes virtuais de aprendizagem. Destes, extraíram-se dados estatísticos sobre frequência, tempo de permanência, interações com chatbots e volume de exercícios, além de relatórios de acertos e erros das plataformas adaptativas.

A segunda frente de coleta abrangeu registros pedagógicos arquivados pela coordenação. Estes incluíram pareceres descritivos e atas de reuniões de conselho de classe, com percepções docentes sobre engajamento e desafios tecnológicos. Consultaram-se também diários de classe digitais, contendo anotações e observações dos professores sobre o comportamento e a dinâmica das aulas.

A terceira frente envolveu o levantamento de indicadores de desempenho acadêmico, extraídos diretamente do sistema de gestão escolar. Coletaram-se notas de avaliações formativas e somativas de períodos anteriores para comparação estatística, e registros de frequência para verificar possíveis correlações com o uso das ferramentas tecnológicas e a assiduidade escolar. O questionário presente no Apêndice B.1, que mapeia a percepção e o uso da IA, foi considerado como um dos documentos arquivados analisados.

A análise dos dados foi dividida em abordagens qualitativa e quantitativa. A análise qualitativa, de conteúdo documental, foi aplicada aos registros escritos pré-existentes. Examinaram-se relatórios pedagógicos de conselhos de classe e registros de observação docente para identificar padrões sobre o comportamento e os desafios do uso da IA no ambiente escolar, utilizando a técnica de eixos temáticos. As informações foram trianguladas entre diferentes fontes documentais para confirmar as tendências observadas.

A análise quantitativa, de natureza estatística descritiva e inferencial, foi aplicada às informações numéricas obtidas dos bancos de dados. Calcularam-se médias, frequências e percentuais de engajamento e desempenho. Para comparar o desempenho acadêmico antes e após o uso da tecnologia, empregou-se o Teste de Wilcoxon para amostras emparelhadas, devido à não normalidade dos dados. Realizou-se, ainda, análise de correlação para examinar a conexão entre o engajamento digital e as variações nas notas registradas. Todos os procedimentos garantiram o anonimato absoluto dos dados, conforme o protocolo de ética.

3. Resultados e Discussão

A análise inicial da pesquisa revelou a ampla presença da Inteligência Artificial (IA) no cotidiano dos estudantes, com aproximadamente 96,2% dos participantes afirmando já ter utilizado alguma tecnologia baseada em IA em seu processo de aprendizado. Entre as ferramentas mais comumente empregadas, destacaram-se os chatbots educacionais e as plataformas adaptativas. Essa predileção por tecnologias que promovem interatividade e personalização sugere uma transformação no paradigma educacional, onde os estudantes assumem um papel mais proativo na busca pelo conhecimento. A demanda por feedback imediato e por alternativas que otimizem o tempo de estudo indica que a mediação tecnológica se estabelece como um complemento relevante ao ensino tradicional em sala de aula.

A frequência de uso dessas tecnologias, contudo, apresentou variações: 53,2% dos respondentes as utilizam raramente, 30,4% algumas vezes por semana e 16,5% diariamente. A principal contribuição da IA no aprendizado, segundo os participantes, reside na capacidade de tirar dúvidas rapidamente, apontada por 62% deles, seguida pela melhoria na compreensão de conteúdos, mencionada por 27,8%. A percepção geral sobre o impacto da IA na aprendizagem foi significativamente positiva, com cerca de 65,4% dos estudantes reconhecendo sua relevância. Esse cenário de uso e percepção positiva é corroborado por Sosa-Alonso et al. (2025), que destacam o papel essencial das Tecnologias da Informação e Comunicação (TIC) na educação após a pandemia de COVID-19, que acelerou a transição digital em todos os níveis de ensino.

Embora a IA seja amplamente percebida como um fator que melhora o aprendizado, com 81% dos participantes indicando melhoria entre “muito” e “um pouco”, e como um auxílio eficaz para a resolução rápida de dúvidas, o uso ainda é majoritariamente raro para 53,2% da amostra. Uma barreira ética significativa identificada foi a confiabilidade das informações, com 69,6% dos usuários relatando já ter encontrado dados imprecisos. Apesar da valorização da tecnologia, a maioria dos respondentes, 40,5%, considera o professor como essencial e insubstituível. Há um forte interesse em integrar a IA na educação como um complemento, sendo a personalização do ensino o aspecto mais desejado, mas o ceticismo persiste quanto à capacidade da IA de compreender emoções humanas como um professor real.

A pesquisa também revelou que a maior parte dos respondentes, aproximadamente 48,1%, expressou o desejo de que a escola utilize mais IA no ensino de química, enquanto 26,6% consideram que seria muito útil nas abordagens dos conteúdos. As áreas onde a IA pode intervir na melhoria do ensino, segundo os estudantes, incluem a aprendizagem personalizada, a correção automática de atividades, o auxílio na organização dos estudos, o aumento do engajamento dos alunos e o desenvolvimento de habilidades cognitivas. Contudo, um fator preocupante é a demanda por TIC nas escolas sem um planejamento adequado dos impactos futuros, o que pode acarretar a atrofia cognitiva se os Recursos Educacionais Digitais (RED) forem usados apenas para automatizar funções. Habilidades como a escrita manual, o debate presencial e a experimentação física, especialmente em áreas como Física e Química, são fundamentais para a fixação do conhecimento e o desenvolvimento cognitivo.

A análise quantitativa dos 40 registros de desempenho acadêmico demonstrou uma evolução clara e significativa. Observou-se um aumento de aproximadamente 46,6% na média geral de desempenho, que passou de 4,93 antes da intervenção com IA para 7,23 após a sua implementação. O desvio padrão permaneceu baixo e muito similar em ambos os momentos, com 1,14 antes e 1,10 depois da intervenção, indicando que o grupo evoluiu de forma relativamente uniforme, sem um aumento drástico na disparidade entre os estudantes. Notavelmente, o valor mínimo registrado no momento pós-intervenção, que foi de 6,0, superou a média do momento pré-intervenção, que era de 4,93. Isso sugere que mesmo os participantes com desempenho inicial mais baixo conseguiram superar o patamar médio anterior.

Os dados brutos das notas individuais, que variaram entre 3,0 e 7,0 antes da IA e entre 6,0 e 9,0 após a IA, apresentaram uma distribuição oscilatória com vales profundos no período pré-intervenção, e uma tendência mais estável com picos elevados no período pós-intervenção, com uma média visual de aproximadamente 5,0 e 7,5, respectivamente. A análise de normalidade de Shapiro-Wilk para as variáveis “pré IA” e “Intervenção com IA” indicou que o pressuposto de que os dados seguem uma distribuição normal foi violado, com um p-valor de 0,002, inferior ao limite de 0,05. Essa violação justificou a aplicação de testes não paramétricos, como o Teste de Wilcoxon, que é mais robusto para dados não normais. O Teste de Wilcoxon para amostras emparelhadas confirmou a relevância estatística da mudança, com um p-valor de 0,001, indicando que a melhoria observada não foi um evento casual, mas uma consequência direta da implementação da IA.

Adicionalmente, o modelo de regressão linear aplicado aos dados buscou compreender a influência do nível de desempenho “pré IA” no sucesso “pós IA”. O modelo explicou apenas 10,9% da variância (R² = 0,109), sugerindo que a “Intervenção com IA” introduziu novos fatores de mudança que não dependem puramente do nível prévio do usuário. Embora o nível “pré IA” tenha se mostrado um preditor significativo (p = 0,037), sua influência foi moderada, com um coeficiente de 0,312. A equação da reta, Pós IA = 5,746 + (0,312 × Pré IA), indica que o intercepto de 5,746 representa o valor base esperado, enquanto o coeficiente de 0,312 mostra o incremento médio na intervenção por unidade adicional em “Pré IA”. Os resíduos do modelo de regressão apresentaram normalidade (p = 0,109), validando a solidez estatística do modelo para previsões.

A integração da Inteligência Artificial e das plataformas digitais no ecossistema educacional reformula as dinâmicas de ensino-aprendizagem sob múltiplas dimensões, conforme apontado por Maurer e Huwer (2026). No plano pedagógico e cognitivo, os sistemas de tutoria adaptativa, especialmente no ensino de Química, transformam a aprendizagem ao estimular o raciocínio e oferecer suportes customizados para a resolução de problemas complexos (Journal of Chemical Education, 2026). Essa abordagem dialoga com as discussões sobre trilhas de aprendizagem personalizadas impulsionadas pela IA, que potencializam a motivação intrínseca e fortalecem a autonomia do estudante, tornando-o agente ativo de seu próprio ritmo de aprendizado.

Contudo, a efetividade dessa personalização tecnológica depende criticamente do processo de apropriação docente. Os achados publicados na Computers & Education (2025) e por Sosa-Alonso et al. (2025) enfatizam que a consolidação dos recursos educacionais digitais exige transpor a barreira do modismo passageiro em direção a uma adoção pautada em convicção pedagógica, garantindo que a tecnologia amplie e não limite o protagonismo dos alunos. A triangulação dessas evidências, incluindo o estudo da Technology in Society (2025) que demonstra como o suporte computacional contínuo mitiga a ansiedade tecnológica e gera ganhos acadêmicos mensuráveis, reforça que a IA, quando implementada de forma personalizada e integrada à prática docente consciente, reduz barreiras emocionais de aprendizagem e potencializa o desenvolvimento do capital humano.

Em síntese, a pesquisa demonstrou que a integração da Inteligência Artificial no ensino médio, particularmente na disciplina de Química, promoveu um impacto positivo e estatisticamente significativo no desempenho acadêmico dos estudantes, evidenciado pelo aumento da média geral e pela validação do Teste de Wilcoxon. Embora a IA ofereça um potencial notável para personalização e autonomia no aprendizado, a perspectiva neurocientífica alerta para o risco de atrofia cognitiva se o uso se restringir à automação de funções. Assim, a eficácia da IA como suporte adaptativo está intrinsecamente ligada à intervenção qualificada do professor, que deve mediar o processo para assegurar um aprendizado crítico, consolidado e humanizado, alinhando-se ao objetivo de compreender os impactos reais dessas tecnologias no ambiente educacional.

4. Conclusão

O presente estudo objetivou analisar o impacto da mediação tecnológica da Inteligência Artificial no desempenho acadêmico de estudantes, explorando a interseção entre neurociência e IA no processo de aprendizado, com foco na disciplina de química. Verificou-se um impacto positivo e estatisticamente significativo, evidenciado por um aumento de 46,6% na média geral de desempenho, que passou de 4,93 para 7,23 após a intervenção com ferramentas de IA, conforme confirmado pelo teste de Wilcoxon (p=0,001). Observou-se que a maioria dos estudantes já utilizava IA, principalmente chatbots e plataformas adaptativas, percebendo benefícios na resolução rápida de dúvidas e na compreensão de conteúdos. A regressão linear indicou que a intervenção introduziu novos fatores de mudança, independentes do conhecimento prévio. Contudo, a perspectiva neurocientífica alertou para a dualidade dos Recursos Educacionais Digitais, que, embora promovam autonomia, podem levar à atrofia cognitiva se usados apenas para automatizar funções. A principal contribuição reside na demonstração de que a IA representa um suporte adaptativo valioso, cuja eficácia está intrinsecamente ligada à intervenção qualificada do professor para assegurar um aprendizado crítico, consolidado e humanizado.

Apesar dos achados robustos, o estudo apresentou limitações decorrentes da metodologia de levantamento de dados secundários, que impediu uma interação direta com os participantes para aprofundar percepções sobre a confiabilidade das informações e a frequência de uso. A amostra de 40 registros, embora suficiente para a análise estatística empregada, pode limitar a generalização dos resultados. Sugere-se para estudos futuros a investigação de estratégias pedagógicas que integrem a IA de forma a preservar e estimular habilidades cognitivas superiores, como a escrita manual, o debate presencial e a experimentação física, essenciais para a fixação do conhecimento. É fundamental desenvolver pesquisas que abordem o planejamento ético e pedagógico da inserção da IA no ambiente educacional, garantindo que a tecnologia complemente o ensino sem substituir o papel insubstituível do professor na mediação do aprendizado e na formação cidadã.

Referências Bibliográficas

Catania, L. J. Chapter 3 – The science and technologies of artificial intelligence (AI), Healthcare and Bioscience, 2021, Pages 29-72.

Ferreira, A; München, S; Wirzbicki, S. M. Educação do Campo e o Ensino de Ciências da Natureza e Suas Tecnologias no Ensino Médio: um panorama das pesquisas brasileiras. Brazilian Journal of Rural Education. Universidade Federal da Fronteira Sul – UFFS, 2024.

Maurer, N.; Huwer, J. Teaching and Learning about Artificial Intelligence (AI) in Secondary Education Chemistry Classes. Chemical Education Research| August 11, 2026

Moreno, E. L. e Heidelmann, S. P. Recursos Instrucionais Inovadores para o Ensino de Química. Quím. nova esc. São Paulo-SP, BR. Vol. 39, N° 1, p. 12-18, FEVEREIRO 2017

Nja; Obi, C.; Uwe; Edet, U. & Nkereuwem; Inwang, V. Artificial Intelligence Tools of Personalized Learning and Intelligent Tutoring System as Correlates of Students Motivation in Chemistry. AJSTME, Volume. 10, Issue 1. 27-32, January, 2024. ISSN: 2251-0141 (Print), 2971-6233 (Online).

Sosa-Alonso, J. J.; RIVERO, V. M. H.; Mesa, A. L. S.; Aguilar, A. B. Adoption of digital educational resources by early childhood education teachers: a fad or a conviction? Computers & Education 238 (2025) 105396.

Tian, J.; Zhang, Y. Does artificial intelligence help in improving human capital based educational development? Evidence from 29 countries. Technology in Society 83 (2025) 103004

Artigo oriundo de Trabalho de Conclusão de Curso de Neurociência e Aprendizagem na Educação

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy