Gustavo de Oliveira Soares; Elaine Barbosa de Figueiredo

DOI: 10.22167/2675-6528-202600871

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Este trabalho apresentou um estudo de caso aplicado sobre a integração de Inteligência Artificial (IA) em sistemas educacionais de preparação, com foco na plataforma GaliLearn. A solução incorporou modelos de linguagem generativa, acessados via APIs da OpenAI, ao fluxo de resolução de questões, oferecendo explicações contextualizadas e suporte conversacional por meio de um tutor inteligente. O objetivo da pesquisa foi avaliar os impactos dessa integração na experiência de aprendizagem dos usuários, considerando engajamento, compreensão de conteúdo e usabilidade, bem como os aspectos técnicos da integração da IA ao sistema. A metodologia adotada consistiu em um estudo de caso descritivo, com abordagens qualitativa e quantitativa, baseado na observação do uso real da plataforma em ambiente de produção por um grupo inicial de oito usuários, e na análise de dados de interação. Os resultados indicaram que a IA, integrada à arquitetura do sistema, contribuiu para o aumento do engajamento e o aprofundamento do entendimento dos conteúdos, sendo utilizada recorrentemente. Tecnicamente, a arquitetura demonstrou ser adequada, promovendo segurança, escalabilidade e isolamento de dados ao centralizar a orquestração das chamadas de IA no backend. Concluiu-se que a aplicação de IA generativa em plataformas educacionais possui potencial significativo para aprimorar o processo de aprendizagem, desde que integrada de forma estruturada e alinhada ao domínio da aplicação.

Palavras-chave: Aprendizagem assistida; Arquitetura de software; Segurança de sessões; Sistemas educacionais; Tutor inteligente.

1. Introdução

A incorporação da Inteligência Artificial (IA) em sistemas educacionais representa uma transformação significativa na metodologia de ensino e aprendizagem. Este avanço tecnológico tem permitido a personalização do conteúdo e a oferta de suporte imediato aos estudantes, adaptando-se às necessidades individuais de cada um. Com o surgimento e a evolução dos modelos de linguagem generativa, a capacidade dos sistemas digitais de interagir com os usuários de forma mais sofisticada foi ampliada. Tais modelos possibilitam a interpretação de perguntas complexas, a geração de explicações detalhadas e a manutenção de diálogos conversacionais, o que redefine o papel da tecnologia no ambiente educacional (Holmes; Bialik; Fadel, 2019; Russell; Norvig, 2021). Nesse cenário dinâmico, a IA transcende a função de um mero recurso complementar, assumindo um papel ativo e central no processo de aquisição de conhecimento.

No contexto específico da educação preparatória, que se caracteriza pela intensa prática de resolução de questões como estratégia primordial de estudo, a aplicação da IA revela um potencial ainda mais expressivo. Sistemas que empregam modelos de linguagem generativa podem fornecer explicações personalizadas para cada questão, detalhar a justificativa de alternativas corretas e incorretas, e auxiliar na identificação precisa de lacunas no conhecimento do estudante. Essas funcionalidades contribuem para um aprendizado mais dinâmico e adaptativo, diminuindo a dependência exclusiva de materiais estáticos e incentivando uma maior autonomia do aluno em sua jornada de estudo.

Apesar do crescente número de soluções educacionais que integram a Inteligência Artificial, ainda existe uma lacuna significativa na literatura e na prática quanto à avaliação de sua aplicação em ambientes reais de produção. Essa necessidade é particularmente evidente sob a perspectiva da Engenharia de Software. É crucial ir além da análise dos meros efeitos educacionais e aprofundar a compreensão de como a IA é efetivamente integrada aos sistemas. Aspectos como a arquitetura do software, os mecanismos de segurança, o controle de acesso, a governança de uso e a escalabilidade da solução são fundamentais para o sucesso e a sustentabilidade dessas implementações. Uma integração inadequada desses componentes pode resultar em sistemas ineficientes, de difícil manutenção, e com riscos associados à exposição de dados sensíveis ou ao uso indevido de recursos computacionais (Pressman; Maxim, 2021).

Neste panorama, a plataforma GaliLearn emerge como um ambiente de estudo de caso particularmente relevante. Trata-se de um sistema em produção, voltado para a preparação de candidatos para concursos públicos, que incorpora modelos de linguagem generativa diretamente no fluxo de resolução de questões e no suporte ao usuário. A solução permite que os estudantes utilizem um tutor inteligente para esclarecer dúvidas, aprofundar a compreensão das alternativas e do conteúdo estudado, tudo isso no contexto da questão que está sendo resolvida. Essa abordagem prática oferece uma oportunidade valiosa para observar como a IA pode ser acoplada de forma eficaz a um domínio educacional específico e quais impactos iniciais essa integração pode gerar na experiência de aprendizagem.

A relevância deste estudo reside na sua capacidade de fornecer insights práticos e técnicos sobre a implementação da IA em um sistema educacional real. Ao analisar a plataforma GaliLearn, é possível compreender não apenas os benefícios educacionais, mas também os desafios e as boas práticas de engenharia de software envolvidos na integração de tecnologias de IA generativa. Essa análise contribui para o avanço do conhecimento sobre a aplicação da Inteligência Artificial em contextos de aprendizagem assistida, fornecendo um modelo para futuras implementações e aprimoramentos. Assim, o presente trabalho busca avaliar os impactos do uso de Inteligência Artificial generativa na educação preparatória, a partir de um estudo de caso aplicado na plataforma GaliLearn, considerando tanto os aspectos técnicos da integração da IA ao sistema quanto seus efeitos iniciais na experiência de aprendizagem dos usuários.

2. Material e Métodos

A pesquisa foi conduzida com caráter aplicado, utilizando o método de estudo de caso, uma vez que analisou a integração e o uso de Inteligência Artificial generativa em um sistema educacional real em operação. O estudo apresentou natureza descritiva, com abordagem qualitativa e quantitativa. A dimensão qualitativa foi empregada na análise do funcionamento da arquitetura do sistema, da integração da IA ao fluxo de resolução de questões e da experiência de uso proporcionada pelo tutor inteligente. A dimensão quantitativa foi utilizada na observação de indicadores de uso da plataforma, considerando registros de interação com as funcionalidades baseadas em Inteligência Artificial, frequência de utilização do tutor e comportamento dos usuários durante o processo de estudo.

O objeto empírico do estudo foi a plataforma GaliLearn, um sistema web em ambiente de produção, voltado à preparação para concursos públicos por meio da resolução de questões e suporte educacional assistido por IA. A aplicação foi acessada remotamente por usuários durante o período de observação do estudo, sem restrição geográfica específica, considerando o caráter digital da solução. A população analisada foi composta por usuários da plataforma, sendo considerada uma amostra não probabilística por conveniência.

Participaram do estudo oito usuários convidados, que se voluntariaram para a utilização das funcionalidades disponíveis durante o período de coleta. A seleção dos participantes ocorreu por meio de convite realizado pelo pesquisador a um grupo restrito, incluindo contatos próximos e integrantes de um grupo digital, com o objetivo de testar as funcionalidades da plataforma em ambiente real de uso. Não foram aplicados critérios de inclusão ou exclusão adicionais além da voluntariedade e do convite direto.

A plataforma GaliLearn foi composta por um frontend web, responsável pela interface com o usuário, e por um backend estruturado em serviços REST. O backend foi encarregado da autenticação, controle de sessões, persistência de dados e integração com serviços externos. A Inteligência Artificial foi integrada ao sistema por meio de serviços backend, os quais orquestraram as chamadas a modelos de linguagem generativa disponibilizados via APIs da OpenAI. O frontend não realizou chamadas diretas aos serviços de IA, consumindo exclusivamente endpoints do backend, que manteve as credenciais de acesso protegidas em ambiente servidor.

Antes da utilização das funcionalidades de IA, aplicaram-se mecanismos de autenticação baseados em JSON Web Token (JWT) e validação de tokens de sessão. Esses procedimentos asseguraram que apenas usuários autenticados e autorizados acessassem o tutor inteligente. O backend foi responsável pela montagem do contexto enviado ao modelo de linguagem, incluindo informações da questão, alternativas, gabarito e histórico recente da interação, permitindo que as respostas geradas fossem contextualizadas ao conteúdo em estudo.

A coleta de dados realizou-se por meio da observação do fluxo de uso da plataforma e da inspeção técnica dos registros gerados pelo sistema. Esses registros incluíram sessões de chat, mensagens trocadas com o tutor inteligente e estados de uso das funcionalidades baseadas em IA. Adicionalmente, foram considerados feedbacks espontâneos fornecidos pelos usuários durante o período de utilização da plataforma, por meio de comunicação direta com o pesquisador, para complementar a compreensão dos padrões de uso.

A análise dos dados foi conduzida de forma descritiva, considerando aspectos funcionais, arquiteturais e de segurança da solução implementada, bem como padrões de uso observados no comportamento dos usuários. Também se consideraram os mecanismos de governança e controle das funcionalidades de IA, como autenticação, isolamento entre usuários e limitação de uso. O objetivo foi avaliar a aplicabilidade educacional da solução e sua adequação técnica enquanto componente de software integrado a um sistema real (Pressman; Maxim, 2021).

Os dados coletados foram tratados de forma agregada e anônima, sem identificação individual dos participantes, em conformidade com boas práticas éticas de pesquisa. Não se coletaram informações sensíveis, nem se realizaram intervenções estruturadas sobre os participantes. Com base no Formulário de Direcionamento Ético (FDE), concluiu-se que não houve necessidade de submissão do estudo ao Comitê de Ética em Pesquisa, uma vez que os dados foram empregados exclusivamente para fins de análise técnica e acadêmica, sem possibilidade de identificação pessoal.

3. Resultados e Discussão

Os resultados obtidos a partir da utilização da plataforma GaliLearn evidenciaram uma integração eficaz da Inteligência Artificial no fluxo principal de estudo, atuando de forma intrínseca ao processo de resolução de questões. O sistema demonstrou a capacidade de permitir aos usuários a filtragem e seleção de questões com base em múltiplos critérios, o que possibilita a estruturação de uma rotina de estudo altamente personalizada. Essa organização prévia do conteúdo é crucial, pois estabelece um contexto educacional direcionado e contextualizado para a aplicação da IA, otimizando o aprendizado. A personalização do percurso de estudo, ao alinhar o conteúdo às necessidades individuais, potencializa a eficácia das intervenções da IA, tornando o processo mais adaptativo e relevante para o objetivo de preparação.

A oferta de feedback imediato após a resolução das questões revelou-se um elemento de grande relevância para a continuidade e aprimoramento do processo de aprendizagem. A identificação visual clara de acertos e erros permitiu aos usuários reconhecer prontamente suas lacunas de conhecimento, o que favoreceu a tomada de decisão quanto à necessidade de revisão de conteúdos específicos. Esse padrão de comportamento está em consonância com a literatura que indica que sistemas educacionais que fornecem feedback instantâneo tendem a aumentar o engajamento dos estudantes e a retenção de conhecimento (Holmes; Bialik; Fadel, 2019). A capacidade de autoavaliação rápida e direcionada, proporcionada pelo sistema, é um pilar fundamental para um aprendizado ativo e autônomo, impactando diretamente a experiência do usuário.

A análise das interações com o tutor inteligente indicou que a Inteligência Artificial foi predominantemente utilizada em momentos posteriores à resolução das questões, especialmente em situações de dúvida ou erro. A interface conversacional do tutor possibilitou que os usuários solicitassem explicações detalhadas e contextualizadas, considerando o enunciado da questão, as alternativas e o histórico recente da interação. Esse padrão de uso sugere que a IA atuou como um mecanismo de reforço cognitivo, auxiliando na consolidação do conhecimento de forma mais dinâmica em comparação a métodos tradicionais baseados apenas em leitura passiva. A capacidade de fornecer suporte adaptativo e em tempo real, contextualizado ao problema específico, aprofunda a compreensão e fortalece o processo de aprendizagem.

Além dos dados observacionais, feedbacks qualitativos fornecidos espontaneamente pelos usuários indicaram uma percepção altamente positiva em relação ao uso da IA como ferramenta de apoio ao estudo. De forma geral, os usuários relataram maior clareza na compreensão das alternativas e destacaram a utilidade do tutor inteligente para revisão de conteúdos complexos. Adicionalmente, a integração da IA diretamente ao fluxo da plataforma foi percebida como um diferencial relevante, pois evitou a necessidade de alternância entre diferentes aplicações durante o estudo. Essa centralização de funcionalidades, incluindo resolução de questões, filtros, estatísticas e suporte por IA em um único ambiente, contribuiu significativamente para a redução de fricção no processo de aprendizagem, favorecendo a continuidade do estudo e aumentando a eficiência na resolução de dúvidas, o que impacta diretamente a usabilidade da plataforma.

Sob a perspectiva da Engenharia de Software, os resultados evidenciaram que a arquitetura adotada foi adequada para suportar a integração da Inteligência Artificial de maneira segura e escalável. A centralização das chamadas à IA no backend, com o uso de autenticação baseada em JSON Web Token (JWT) e controle de sessões, garantiu o isolamento eficaz entre os usuários e a proteção das credenciais de acesso aos serviços externos. Esse modelo de integração evita o acoplamento direto entre o frontend e os serviços de IA, reduzindo riscos de segurança e facilitando a manutenção e evolução do sistema, conforme recomendado pelas boas práticas de desenvolvimento de software (Pressman; Maxim, 2021). A robustez e a segurança da arquitetura são pilares para a sustentabilidade e confiabilidade da solução em ambiente de produção.

Adicionalmente, a implementação de mecanismos de governança, como a limitação de uso por usuário, contribuiu de forma significativa para o controle de custos e para a previsibilidade operacional da solução. Este aspecto é particularmente relevante em sistemas que utilizam modelos de linguagem generativa, cujo consumo de recursos está diretamente associado a custos variáveis, o que exige uma gestão cuidadosa. Dessa forma, a adoção de estratégias de controle de uso configura-se como um elemento essencial para a viabilidade técnica e econômica da aplicação em longo prazo, assegurando que os recursos sejam utilizados de forma otimizada e sustentável. Essa governança é fundamental para manter a operação da plataforma eficiente e acessível, sem comprometer a qualidade do serviço.

De maneira geral, os resultados indicaram que a utilização de Inteligência Artificial generativa, quando integrada de forma estruturada ao fluxo de estudo, apresenta potencial significativo para aprimorar a experiência do usuário. Essa integração contribuiu para o aumento do engajamento e facilitou a compreensão aprofundada dos conteúdos, atuando como um facilitador ativo do processo de aprendizagem. A capacidade de fornecer suporte contextualizado e personalizado, combinada com uma arquitetura técnica robusta, posiciona a IA como um elemento transformador na educação preparatória. A solução GaliLearn demonstrou que a IA pode ser acoplada de forma eficaz a um domínio educacional específico, gerando impactos positivos iniciais na experiência de aprendizagem dos usuários e no entendimento do conteúdo.

É fundamental ressaltar, contudo, que os achados deste estudo estão limitados ao contexto analisado e ao tamanho da amostra, composta por oito usuários, o que restringe a generalização dos resultados. O período de observação também foi um fator que limita a amplitude das conclusões. Para uma validação mais abrangente dos resultados e um aprofundamento da compreensão dos impactos da IA na educação preparatória, são necessárias análises adicionais. Recomenda-se a realização de estudos futuros com um volume maior de dados, uma diversidade mais ampla de usuários, a coleta estruturada de métricas e a implementação de análises comparativas. Tais esforços permitirão uma compreensão mais robusta e generalizável sobre a aplicação da IA em sistemas educacionais.

Em suma, a pesquisa na plataforma GaliLearn revelou que a integração da Inteligência Artificial generativa, quando implementada com rigor técnico e alinhada às necessidades educacionais, oferece um caminho promissor para aprimorar a aprendizagem. Os resultados indicam que a IA não apenas complementa, mas enriquece o processo de estudo, tornando-o mais interativo, personalizado e eficaz. Simultaneamente, a arquitetura de software adotada garante a segurança, a escalabilidade e a governança necessárias para um ambiente de produção sustentável. Essa abordagem integrada e contextualizada é a chave para maximizar o potencial da IA em sistemas educacionais, respondendo ao objetivo de avaliar seus impactos na experiência de aprendizagem e nos aspectos técnicos da integração.

4. Conclusão

O presente estudo buscou avaliar os impactos da integração de Inteligência Artificial generativa na educação preparatória, por meio de um estudo de caso aplicado na plataforma GaliLearn, considerando tanto os aspectos técnicos da integração da IA ao sistema quanto seus efeitos iniciais na experiência de aprendizagem dos usuários. Verificou-se que a IA foi efetivamente incorporada ao fluxo principal de estudo, atuando de forma intrínseca ao processo de resolução de questões e contribuindo para o aumento do engajamento e o aprofundamento do entendimento dos conteúdos. A utilização do tutor inteligente, com suas explicações detalhadas e contextualizadas, revelou-se um mecanismo de reforço cognitivo, auxiliando na consolidação do conhecimento e na clareza da compreensão. Sob a perspectiva da Engenharia de Software, observou-se que a arquitetura adotada demonstrou ser adequada para suportar a integração da IA de maneira segura e escalável, centralizando as chamadas no backend e garantindo o isolamento de dados e a proteção de credenciais. Adicionalmente, a implementação de mecanismos de governança, como a limitação de uso, contribuiu para o controle de custos e a previsibilidade operacional da solução, reforçando a viabilidade técnica e econômica da aplicação.

Apesar dos resultados positivos, destaca-se que os achados deste estudo estão limitados ao contexto analisado e ao tamanho da amostra, composta por oito usuários, bem como ao período de observação, o que restringe a generalização das conclusões. Para uma validação mais abrangente e um aprofundamento da compreensão dos impactos da IA na educação preparatória, recomenda-se a realização de estudos futuros com um volume maior de dados, uma diversidade mais ampla de usuários, a coleta estruturada de métricas e a implementação de análises comparativas. Conclui-se que a aplicação de Inteligência Artificial generativa em plataformas educacionais possui potencial significativo para aprimorar a experiência de aprendizagem, desde que integrada de forma estruturada e alinhada ao domínio da aplicação e às boas práticas de Engenharia de Software, contribuindo para a eficiência do estudo e o engajamento dos usuários.

Referências Bibliográficas

Holmes, W.; Bialik, M.; Fadel, C. (2019). Artificial intelligence in education: promises and implications for teaching and learning. Paris: UNESCO.

Pressman, R. S.; Maxim, B. R. (2021). Engenharia de software: uma abordagem profissional. 9. ed. Porto Alegre: AMGH.

Russell, S.; Norvig, P. (2021). Artificial intelligence: a modern approach. 4. ed. Hoboken: Pearson.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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