Resumo Executivo

Gilberto Junior Jacob; Carolina Matteussi Lino

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

A crescente complexidade do ambiente educacional contemporâneo exige uma análise aprofundada das práticas pedagógicas voltadas para a recuperação de conteúdos, especialmente no ensino médio, etapa fundamental da formação acadêmica dos estudantes e principal porta de acesso às universidades brasileiras por meio do Exame Nacional do Ensino Médio. Nesse contexto, a necessidade de desenvolver estratégias eficazes para auxiliar alunos com dificuldades de aprendizagem a recuperar conteúdos não assimilados ao longo dos bimestres, semestres ou dos três anos do ensino médio, torna-se um desafio central para escolas e gestores educacionais. A combinação de métodos tradicionais de ensino com tecnologias educacionais inovadoras, incluindo as Inteligências Artificiais, surge como uma solução promissora (Moran, 2015; Luckin, 2018), especialmente após a pandemia de COVID-19, que acelerou a adoção de ferramentas digitais no cotidiano escolar (Holgado, 2024). A abordagem híbrida, que integra a solidez do ensino presencial com a flexibilidade das ferramentas digitais, tem sido amplamente estudada na pedagogia contemporânea, evidenciando benefícios significativos em termos de engajamento, retenção de conhecimento e personalização do aprendizado (Bates, 2019; Horn e Staker, 2017). Essa metodologia combina recursos tecnológicos, como plataformas de aprendizado online, vídeos didáticos, quizzes interativos e sistemas de Inteligência Artificial, com técnicas pedagógicas tradicionais, como aulas presenciais de revisão, exercícios práticos e laboratórios. O objetivo é criar um ambiente de ensino mais dinâmico e inclusivo, capaz de atender a diferentes estilos de aprendizagem e necessidades individuais dos alunos (Collins e Halverson, 2018; Luckin, 2018).

A relevância dessa investigação reside na urgência de melhorar o rendimento escolar, reduzir as taxas de evasão e ampliar o acesso ao ensino superior, problemas que impactam diretamente o sistema educacional brasileiro e, consequentemente, a formação de cidadãos preparados para os desafios do século XXI. Além disso, estudos recentes destacam que estratégias pedagógicas inovadoras, quando bem implementadas, podem aumentar significativamente a motivação e o desempenho dos alunos, promovendo um aprendizado ativo e contextualizado (Holgado, 2024; Fullan, 2013). A problemática central reside na medida em que a adoção de estratégias híbridas, incluindo o uso de Inteligência Artificial para a recuperação de conteúdos bimestrais no ensino médio, contribui para a melhoria da aprendizagem e do desempenho dos alunos. Essa questão ganha ainda mais relevância diante das lacunas de aprendizado agravadas pela pandemia de COVID-19 (OECD, 2021) e da subutilização de tecnologias educacionais, muitas vezes restritas ao uso de celulares em sala de aula sem uma função pedagógica definida. Estudos recentes indicam que a implementação de soluções tecnológicas no ambiente escolar, aliada a metodologias bem estruturadas, pode favorecer a aprendizagem em contextos desafiadores (Holgado, 2024; Luckin, 2018). No entanto, os benefícios dessa integração dependem da capacidade dos gestores em adaptar os recursos às necessidades específicas dos estudantes e da formação adequada dos professores para o uso eficaz dessas ferramentas (Fullan, 2013; Bates, 2019). É fundamental ressaltar que o letramento digital e a tecnologia devem caminhar juntos, transcendendo o uso superficial de dispositivos e explorando todo o potencial das ferramentas disponíveis.

O Novo Ensino Médio, instituído pela Lei nº 13.415/2017 e regulamentado pela Base Nacional Comum Curricular, propõe uma reformulação curricular com foco na flexibilização, na formação integral e no desenvolvimento de competências e habilidades. No entanto, a implementação dessa reforma enfrenta desafios, como a heterogeneidade de aprendizagem e a necessidade de recuperação de conteúdos básicos. A Base Nacional Comum Curricular também destaca a importância de metodologias ativas e personalizadas para garantir a equidade e a qualidade na educação. A recuperação de conteúdos é vista como essencial para reduzir as lacunas de aprendizagem, especialmente em um cenário pós-pandemia. As estratégias híbridas combinam ensino presencial e online, utilizando tecnologias digitais para personalizar a aprendizagem. Essas metodologias são apontadas como eficazes para a recuperação de conteúdos, pois permitem adaptar o ritmo e o estilo de aprendizagem de cada aluno. No que diz respeito às metodologias ativas, o ensino híbrido pode ser uma ferramenta poderosa para a recuperação de conteúdos, especialmente quando integrado a tecnologias adaptativas (Bacich e Moran, 2018). Muitas vezes, com a devida autonomia e uso intercalado de ensino híbrido online e offline, os alunos acabam revisando os assuntos ou conteúdos com auxílio dos professores (Bacich e Moran, 2018). Para isso, a Inteligência Artificial tem sido utilizada para personalizar a aprendizagem, identificar lacunas de conhecimento e oferecer feedback imediato aos alunos. Plataformas adaptativas, como Khan Academy e Geekie, são exemplos de como sistemas com Inteligência Artificial podem ser aplicadas na recuperação de conteúdos. Segundo Holmes et al. (2022), a tecnologia pode ser usada para criar sistemas de tutoria inteligente que se adaptam às necessidades individuais dos alunos.

Para alcançar os objetivos propostos, utilizou-se uma metodologia que combinou métodos quantitativos e qualitativos, a fim de fornecer uma análise ampla das estratégias híbridas para recuperação de conteúdos bimestrais no ensino médio, buscando não apenas a aprendizagem, mas a performance nas avaliações como o Programme for International Student Assessment e concursos como o Exame Nacional do Ensino Médio. Essa abordagem permitiu uma visão minuciosa dos resultados no desempenho acadêmico quanto do impacto no engajamento e nas percepções de alunos, professores e gestores. A metodologia foi dividida em três etapas fundamentais: levantamento teórico e planejamento do modelo; implementação prática do modelo híbrido ou busca de casos já existentes em escolas ou literatura; e avaliação do impacto e análise dos resultados. Essa divisão foi realizada visando estruturar o estudo de maneira sistemática, orientada pelos dados e adequada ao contexto educacional. Na etapa inicial, o levantamento teórico e planejamento incluiu um aprofundamento nos modelos híbridos, com a identificação de práticas eficazes de ensino que mesclam tecnologias e métodos tradicionais. A revisão de literatura orientou a escolha adequada das plataformas digitais, tais como Google Classroom ou Moodle, como base para organizar conteúdos e gerenciar tarefas e avaliações. Além disso, ferramentas interativas como Kahoot, Quizlet e Padlet foram selecionadas para oferecer atividades formativas, enquanto plataformas com recursos de inteligência artificial, como a Khan Academy e o ChatGPT, foram escolhidas para personalizar a aprendizagem conforme o desempenho de cada aluno.

A implementação prática ocorreu em uma rede de sete escolas localizadas na Baixada Santista, pertencentes ao mesmo sistema de ensino, garantindo a uniformização dos dados e resultados em um ambiente heterogêneo. Durante três anos, entre 2021 e 2023, os alunos foram mapeados nos oito principais componentes curriculares da formação geral básica: Física, Química, Matemática, História, Geografia, Biologia, Redação e Inglês. O espaço amostral compreendeu 1250 alunos. A estratégia consistiu em dividir os componentes em dois grupos experimentais. O primeiro grupo, composto por Física, Biologia, Redação e Geografia, foi exposto a atividades híbridas com frequências semanais ou quinzenais, personalizadas e metrificadas. Nesses componentes, uma Inteligência Artificial construiu um processo de recuperação continuada com comandos gerados por humanos, focando nas habilidades, competências e conteúdos das avaliações. O processo consistia na realização, por parte de cada aluno, de uma série de pequenas avaliações com duração máxima de 15 minutos por componente curricular, contendo quatro questões de múltipla escolha, com feedback imediato após a entrega. Essas atividades individuais eram personalizadas pela tecnologia baseando-se nos acertos e erros de cada avaliação bimestral. As atividades podiam se repetir durante todo o bimestre no horário específico de aula do componente correspondente. A meta estabelecida era que os alunos atingissem uma pontuação acima de 75% em cada conteúdo. Caso o aluno não atingisse esse patamar de acertos, o sistema reinseria questões do mesmo conteúdo para garantir a consolidação do aprendizado futuro.

O segundo grupo de componentes, formado por Matemática, História, Inglês e Química, foi submetido ao processo de recuperação tradicional. Esse método consistia na realização de uma única aula de reforço expositiva ao final do bimestre, onde o professor atuava como protagonista, seguida de uma avaliação clássica composta por 10 questões dissertativas em um intervalo de até 15 dias. Esse processo, comum em muitas instituições do setor privado por minimizar custos e agilizar processos internos, depende quase exclusivamente do engajamento individual do aluno. Para a análise dos resultados, foram coletados dados quantitativos referentes às notas das avaliações bimestrais, registros de frequência e participação. A análise estatística foi realizada utilizando a ferramenta Power BI, que auxiliou na identificação de padrões e na comparação do desempenho entre os dois modelos de recuperação. Para os dados qualitativos, utilizou-se a técnica de análise de conteúdo, organizando as percepções dos participantes em temas que refletissem a eficácia do modelo e as dificuldades encontradas. A triangulação desses dados permitiu validar as informações e obter uma visão integrada sobre o impacto do modelo híbrido assistido por Inteligência Artificial.

Os resultados obtidos demonstram uma disparidade significativa entre os dois métodos de recuperação aplicados. Nos componentes curriculares submetidos à estratégia híbrida com suporte de Inteligência Artificial, observou-se um crescimento consistente nas médias anuais. No componente de Física, por exemplo, ao analisar as turmas de primeiro ano do ensino médio de forma isolada em cada ano, a média anual elevou-se de 5,20 em 2020 para 5,90 em 2021, atingindo 6,30 em 2023, o que representa um incremento de 21,15%. Esse comportamento de evolução constante foi verificado em todos os componentes do grupo híbrido. Ao acompanhar a trajetória de uma mesma turma que ingressou no primeiro ano em 2020 e concluiu o terceiro ano em 2022, os dados revelam que esses alunos evoluíram de uma média inicial de 5,20 em Física para 6,20 no segundo ano e 6,90 no terceiro ano. Em Biologia, a mesma turma partiu de uma média de 6,90 em 2020, subiu para 7,20 em 2021 e finalizou com 7,40 em 2023. O crescimento mais expressivo foi registrado em Redação, que contou com produções textuais e feedbacks semanais personalizados. A plataforma específica utilizada, com grades alinhadas aos critérios dos vestibulares, dinamizou a evolução da escrita. A turma acompanhada iniciou com média 6,60 em 2020, progrediu para 7,60 em 2021 e alcançou 8,10 em 2023. Os percentuais de crescimento da média anual por série durante os três anos de aplicação reforçam a eficácia do método: no primeiro ano, os incrementos foram de 21,15% em Física, 13,04% em Biologia, 13,64% em Redação e 5,97% em Geografia. No segundo ano, os índices foram de 22,03% em Física, 15,15% em Biologia, 8,33% em Redação e 8,70% em Geografia. No terceiro ano, Física cresceu 15,00%, Biologia 7,25%, Redação 17,39% e Geografia 8,57%.

Em contrapartida, os componentes curriculares que mantiveram o processo de recuperação tradicional não apresentaram um comportamento de crescimento linear ou previsível. As médias nesses componentes mostraram-se aleatórias, dependendo estritamente do engajamento momentâneo do aluno ou de sua relação direta com o professor. No componente de História, focando no primeiro ano do ensino médio, a média anual de 5,90 em 2020 subiu para 6,00 em 2021, mas sofreu um decréscimo para 5,80 em 2023, resultando em uma queda de 1,69%. A análise dos incrementos anuais revela a instabilidade do modelo tradicional: em História, os resultados foram negativos em todas as séries ao longo dos três anos, com quedas de 1,69% no primeiro ano, 4,92% no segundo e 7,58% no terceiro. Em Matemática, embora tenha havido um crescimento expressivo de 31,11% no primeiro ano, os anos subsequentes mostraram desaceleração, com apenas 3,92% no segundo ano e um decréscimo de 3,51% no terceiro. Em Inglês, o crescimento foi nulo nos dois primeiros anos, apresentando uma leve melhora de 4,23% apenas no terceiro ano. Esses dados evidenciam a ineficácia de uma aula expositiva única como ferramenta de recuperação. Se o estudante não foi capaz de absorver o conteúdo ao longo de um bimestre inteiro, a tentativa de condensar esse aprendizado em um único dia, sem feedback contínuo, mostra-se insuficiente para gerar uma base cognitiva sólida.

Um dado relevante surge ao observar o efeito reflexivo do modelo híbrido sobre os componentes tradicionais. As turmas que ingressaram no primeiro ano em 2020 e foram expostas à cultura de recuperação por Inteligência Artificial em quatro disciplinas acabaram apresentando crescimentos positivos também nas disciplinas tradicionais, embora de forma muito menos expressiva. Esse fenômeno sugere que a metodologia de acompanhamento contínuo pode gerar uma mudança na postura do estudante diante do aprendizado. No entanto, ao observar turmas que já estavam no segundo ano em 2020 e não vivenciaram o processo de metrificação desde o início, esse efeito não foi notado, e os componentes sem intervenção tecnológica apresentaram estagnação ou queda. A integração de metodologias ativas com a Inteligência Artificial nos processos de recuperação tem se mostrado uma abordagem promissora. Metodologias como a sala de aula invertida, quando combinadas com tecnologias adaptativas, permitem que os alunos assumam um papel ativo, enquanto a ferramenta oferece suporte personalizado (Bergmann e Sams, 2016). Estudos como o de Azambuja (2024) reforçam que a personalização do aprendizado via tecnologia aumenta o engajamento, embora traga desafios éticos que precisam ser geridos. No cenário internacional, iniciativas como a do governo do Reino Unido, que investiu 4 milhões de libras em ferramentas de Inteligência Artificial para auxiliar professores, demonstram o potencial de reduzir a carga burocrática e permitir maior foco na interação humana.

No Estado de São Paulo, dados da Secretaria da Educação corroboram a eficácia de processos de recuperação estruturados. Em 2024, aproximadamente 297,5 mil estudantes realizaram provas de recuperação, e 34,7% obtiveram desempenho superior em pelo menos uma disciplina. Os resultados da Secretaria indicam que a Matemática continua sendo o maior desafio, com apenas 27,6% de melhora nas notas, enquanto Geografia apresentou os maiores índices de acerto. Esses dados externos reforçam a premissa de que propostas híbridas com intervenção de Inteligência Artificial e metrificação em tempo real são fundamentais para auxiliar os alunos na recuperação de habilidades e competências. A análise comparativa demonstra que o modelo assistido por tecnologia supera o paradigma da última chance do modelo convencional. Enquanto o método tradicional espera o fracasso para agir de forma reativa e pontual, a Inteligência Artificial identifica microdéficits de aprendizagem ao longo de todo o percurso. Ao analisar padrões em tempo real, como erros recorrentes e tempo de assimilação, o sistema fornece intervenções imediatas. Isso transforma a recuperação em um processo de acompanhamento contínuo, resultando em uma elevação consistente das médias finais anuais e na construção de uma base cognitiva mais robusta, onde o aluno efetivamente aprende em vez de apenas memorizar conteúdos para uma prova isolada.

Conclui-se que o objetivo foi atingido, uma vez que a integração da Inteligência Artificial nos processos de recuperação de conteúdos no ensino médio demonstrou ser uma estratégia superior ao método tradicional. A análise dos dados coletados ao longo de três anos em sete instituições de ensino evidenciou que a personalização do aprendizado e o acompanhamento contínuo resultam em um crescimento sustentado do desempenho acadêmico, com incrementos superiores a 20% em disciplinas críticas como Física. A transição de um modelo reativo de última chance para um sistema proativo e metrificado permitiu não apenas a melhoria das notas bimestrais, mas a consolidação efetiva do conhecimento e o aumento do engajamento estudantil. A substituição de práticas de recuperação pontuais por sistemas inteligentes de suporte à aprendizagem apresenta-se como um imperativo para a educação contemporânea, consolidando a tecnologia como um pilar fundamental para a equidade e a qualidade do ensino médio brasileiro.

Referências Bibliográficas:

Azambuja, C. C. 2024. https://www.scielo.br/j/fun/a/jWKkyjpRzxjm6c85yCKv4MN/?format=html&lang=pt Acesso em: 23 fev. 2025.

Bacich L.; Moran J. 2018. Metodologias Ativas para uma Educação Inovadora. Penso Editora, Porto Alegre, RS, Brasil.

Bates, D. (2019). Teacher Retention and Attrition: Views of Early Career Teachers. Journal of Education for Teaching, 30, 347-359.

Bergmann J.; Sams, A. 2016. Sala de Aula Invertida: Uma Metodologia Ativa de Aprendizagem. LTC Editora, Barueri, SP, Brasil.

Collins A.; Halverson R. 2018. Rethinking Education in the Age of Technology: The Digital Revolution and Schooling in America. Teachers College Press, New York, USA.

Fullan M. 2013. Stratosphere: Integrating Technology, Pedagogy, and Change Knowledge. Pearson, London, Uk.

Holgado A. G; Moreira F.; Fonseca D. 2024. Sustainable development, usability and accessibility in educational strategies during the global pandemic; Universal Access in the Information Society 23:993–999

Holmes W., Bialik M; Fadel C. 2023. Artificial Intelligence in Education. Globethics Publications, Open Journal of Applied Sciences 14(8): 621-653.

Horn, M. B. and Staker, H. (2017) The Blended Workbook: Learning to Design the Schools of Our Future. San Francisco: Jossey-Bass.

Luckin R. 2018. Machine Learning and Human Intelligence: The Future of Education for the 21st Century. UCL Institute of Education Press, London, UK.

Moran, José; Personalização e Tecnologia na Educação, organizado por BACICH, TANZI & TREVISANI – Porto Alegre: PENSO, 2015, Págs. 27-45

Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Gestão Escolar do MBA USP/Esalq

_{Saiba mais sobre o curso; clique aqui:}