20 de fevereiro de 2026
TutorIA
Túlio Joaquim Altoé; Ricardo Janes
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
Esta pesquisa demonstra a viabilidade de integrar tecnologias acessíveis no desenvolvimento do TutorIA, um sistema de gestão acadêmica com aprendizado adaptativo e inteligência artificial, concebido como um Produto Viável Mínimo (MVP). A solução busca atender à demanda por personalização no ensino, automatizando a criação de avaliações, analisando o desempenho dos alunos e fornecendo feedbacks para discentes e docentes. O projeto é uma alternativa de código aberto às plataformas comerciais, visando democratizar o acesso a ferramentas pedagógicas avançadas e incentivar a tomada de decisão orientada por dados. A premissa é que a combinação de frameworks de desenvolvimento rápido, bancos de dados leves e APIs de IA pode resultar em uma ferramenta robusta, escalável e de fácil implementação para apoiar o processo de ensino-aprendizagem.
O aprendizado adaptativo (“Adaptive Learning”) utiliza dados de desempenho para ajustar dinamicamente percursos de aprendizagem, conteúdos e estratégias de ensino ao perfil de cada aluno. Estudos indicam que sistemas adaptativos estão correlacionados a um aumento no engajamento discente, redução da evasão e melhora no desempenho acadêmico (Rueda-Gómez et al., 2023). Ao oferecer um caminho personalizado, essas tecnologias promovem a autonomia do estudante e permitem que educadores identifiquem dificuldades e potencialidades das turmas, otimizando o tempo de instrução e focando em intervenções pedagógicas mais eficazes (Martins et al., 2019).
Apesar dos benefícios, a adoção de plataformas de aprendizado adaptativo enfrenta barreiras. Soluções comerciais frequentemente envolvem altos custos de licenciamento, exigem infraestrutura robusta e oferecem pouca flexibilidade para customização, dificultando sua integração em diferentes contextos educacionais (Santos et al., 2021). Essa realidade cria uma lacuna para instituições com recursos limitados, que ficam excluídas do acesso a essas inovações. A dependência de sistemas proprietários limita a capacidade das instituições de desenvolverem soluções próprias, adaptadas às suas realidades curriculares, o que evidencia a necessidade de alternativas acessíveis e abertas.
O desenvolvimento do TutorIA justifica-se por oferecer uma ferramenta de gestão acadêmica e aprendizado adaptativo poderosa e acessível. Utilizando tecnologias de código aberto como Python, Streamlit e SQLite, e integrando-as a uma API de IA de custo variável, o projeto valida a viabilidade técnica da solução e demonstra um caminho para a democratização da educação personalizada. O TutorIA foi projetado como uma plataforma simples e de baixo custo, permitindo que instituições experimentem os benefícios da análise de dados educacionais e da IA sem grandes investimentos iniciais, alinhando-se aos princípios de desenvolvimento de produtos enxutos (Ries, 2011).
O desenvolvimento do sistema seguiu uma metodologia estruturada para a construção de um MVP. A primeira etapa foi uma revisão bibliográfica sobre aprendizado adaptativo, IA na educação e análise de dados educacionais. Este levantamento fundamentou a proposta e ajudou a identificar as melhores práticas e as lacunas de soluções existentes, informando o desenho da arquitetura do sistema. A pesquisa explorou estudos que discutem o potencial e os desafios da aplicação de IA em sala de aula (Lima & Costa, 2023), fornecendo uma base para as decisões técnicas e pedagógicas.
A fase seguinte foi o levantamento de requisitos para definir o escopo do MVP. Os requisitos funcionais incluíram: um sistema de autenticação com perfis (administrador, docente, aluno); módulos para criação e gerenciamento de questionários; registro e armazenamento das respostas; e dashboards analíticos para acompanhamento de desempenho. Os requisitos não funcionais priorizaram a usabilidade da interface, o baixo custo de implantação e a escalabilidade da arquitetura, garantindo que o sistema possa se adaptar a futuras demandas.
A arquitetura do TutorIA é modular e utiliza tecnologias de código aberto. A linguagem Python foi a base, e o framework Streamlit foi usado para a interface de usuário, permitindo a criação rápida de aplicações web (Pereira, 2022). O armazenamento de dados foi implementado com o banco de dados SQLite. A análise de dados foi realizada com a biblioteca Pandas, a visualização de dados com Altair, e a geração de relatórios em PDF com ReportLab. O núcleo de IA foi implementado via integração com a API da OpenAI, responsável pela geração de questões e feedbacks.
A implementação do MVP foi seguida por testes em ambiente simulado. Como a aplicação em uma instituição real não foi viável nesta etapa, foram criados dados fictícios para representar turmas, alunos e questionários, permitindo uma avaliação rigorosa das funcionalidades. Os testes verificaram a consistência do banco de dados, a integridade dos fluxos de interação, a precisão dos cálculos nos dashboards e a qualidade das respostas geradas pela IA. Por fim, o sistema foi implantado na plataforma Heroku, demonstrando sua viabilidade para acesso via web e validando a arquitetura para futuros projetos piloto.
O resultado do projeto é o sistema funcional TutorIA. A interação começa em uma tela de login que direciona cada usuário (administrador, docente ou aluno) a um ambiente personalizado. Esse controle de acesso garante a privacidade dos dados e a pertinência das funcionalidades disponíveis para cada perfil, estabelecendo uma base para a governança da informação.
Na visão do docente, a plataforma oferece um ambiente de trabalho organizado. O professor visualiza suas turmas e gerencia atividades avaliativas. A funcionalidade central é a criação de questionários, que pode ser manual ou automatizada com IA. No modo automatizado, o docente define o tema, o período e a quantidade de questões para cada nível de dificuldade (fácil, médio, difícil), e a IA gera questões de múltipla escolha alinhadas a esses critérios. Este recurso reduz o tempo de preparação das avaliações e introduz maior diversidade ao banco de itens.
A estrutura dos questionários, com distribuição intencional de dificuldade, dialoga com os princípios da Teoria de Resposta ao Item (TRI), que busca avaliar a proficiência do aluno de forma mais precisa (Andrade et al., 2000). Ao apresentar questões de diferentes níveis, o sistema coleta informações mais ricas sobre o conhecimento do estudante, permitindo uma análise granular de suas capacidades. Isso evidencia o potencial do TutorIA para incorporar conceitos avaliativos robustos, apoiando o docente na construção de avaliações mais eficazes.
Para o aluno, a experiência no TutorIA é direta e interativa. O estudante acessa suas turmas e os questionários pendentes ou realizados. A interface de resposta é focada no conteúdo. Um elemento central é o feedback imediato: após a submissão, o sistema apresenta a correção automática. Este ciclo rápido de resposta é crucial para a aprendizagem, permitindo que o aluno identifique suas lacunas de conhecimento, em linha com teorias sobre o poder do feedback formativo (Hattie & Timperley, 2007).
O potencial do TutorIA se revela em suas ferramentas de análise de dados, que transformam resultados em insights pedagógicos. Os docentes acessam dashboards com uma visão macro do desempenho (número de turmas, alunos, média geral). A análise pode ser aprofundada por turma, com gráficos de acurácia por questão para identificar tópicos de maior dificuldade. Mapas de calor que cruzam alunos e questões revelam padrões de erro, ajudando o professor a distinguir entre dificuldades individuais e coletivas. Essas ferramentas permitem que o educador tome decisões baseadas em evidências, ajustando seu plano de aula para reforçar conteúdos (Carvalho & Ferreira, 2022).
Além da visualização de dados, o sistema usa IA para gerar feedbacks qualitativos para os docentes. Com base na análise do desempenho da turma, a IA elabora um relatório que destaca pontos fortes, aponta áreas de dificuldade e sugere recomendações, como a revisão de conceitos ou o uso de materiais complementares. Essa funcionalidade posiciona o TutorIA como um assistente pedagógico virtual, que auxilia o professor na reflexão sobre sua prática e no planejamento de intervenções.
O suporte personalizado se estende aos alunos. Na seção “Minhas Notas”, cada estudante acompanha seu histórico de desempenho e sua evolução. O sistema gera sugestões de estudo personalizadas com base nas questões erradas, direcionando o aluno para os conteúdos que necessitam de reforço. A IA também produz relatórios de feedback individuais que explicam os conceitos subjacentes aos erros, apresentam os pontos fortes do aluno e oferecem um plano de ação. Este recurso transforma a avaliação em uma oportunidade formativa, aproximando o TutorIA da função de um tutor virtual (Johnson & Lester, 2016).
Os resultados do MVP demonstram que o TutorIA cumpre seu objetivo de ser uma ferramenta simples, acessível e escalável, integrando gestão acadêmica e aprendizado adaptativo. A solução comprova a viabilidade técnica de combinar tecnologias de código aberto para criar uma plataforma educacional robusta. A principal limitação deste estudo é a ausência de validação em um ambiente de ensino real, com usuários e dados autênticos. Essa etapa será crucial para avaliar o impacto prático da ferramenta e a eficácia de seus algoritmos. Apesar disso, o protótipo funcional estabelece uma base sólida para pesquisas futuras que possam aplicar e refinar o TutorIA em contextos educacionais concretos.
Em conclusão, este trabalho detalhou o desenvolvimento do TutorIA, um MVP que integra inteligência artificial para promover o aprendizado adaptativo. Utilizando tecnologias como Python, Streamlit e a API OpenAI, o projeto resultou em uma plataforma funcional com recursos para administradores, docentes e alunos. A implementação de funcionalidades como a criação automatizada de questionários, a análise de desempenho via dashboards e a geração de feedbacks personalizados confirma a viabilidade técnica da proposta. O sistema se destaca como uma alternativa às soluções comerciais, com potencial para apoiar a personalização do ensino e a tomada de decisão pedagógica informada por dados. O diferencial do TutorIA reside na sua capacidade de criar um ciclo de feedback contínuo e individualizado, atuando como um tutor virtual para alunos e docentes. A principal limitação é a ausência de validação em um contexto real. Sugere-se para trabalhos futuros a realização de estudos piloto em instituições de ensino, a expansão do banco de questões, a exploração de algoritmos de recomendação mais sofisticados, a integração com plataformas LMS e a aplicação de modelos da Teoria de Resposta ao Item (TRI) para uma calibração mais precisa. Conclui-se que o objetivo foi atingido: demonstrou-se a viabilidade técnica de desenvolver um sistema de gestão acadêmica de baixo custo, o TutorIA, que integra inteligência artificial para promover o aprendizado adaptativo.
Referências:
Andrade, D. F.; Tavares, H. R.; Valle, R. C. 2000. Teoria de Resposta ao Item: Conceitos e Aplicações. Associação Brasileira de Estatística, São Paulo, SP, Brasil.
Barreto, M.; Almeida, L. 2020. Desafios na Implementação de Tecnologias Educacionais: Uma Revisão Sistemática. Revista Brasileira de Informática na Educação, 28, 846-875.
Carvalho, A.; Ferreira, J. 2022. Pedagogia Orientada por Dados: Estratégias para o Ensino Fundamental. Editora Educacional, Rio de Janeiro, RJ, Brasil.
Hattie, J.; Timperley, H. 2007. The Power of Feedback. Review of Educational Research, 77(1), 81-112.
Johnson, W. L.; Lester, J. C. 2016. Face-to-Face Interaction with Pedagogical Agents, Twenty Years Later. International Journal of Artificial Intelligence in Education, 26(1), 25-36.
Lima, B.; Costa, E. 2023. O Impacto da Inteligência Artificial Generativa na Criação de Conteúdo Educacional. Anais do Simpósio Brasileiro de Informática na Educação, 34, 112-121.
Martins, G.; Silva, P.; Brandão, A. 2019. Engajamento do Estudante em Ambientes Virtuais de Aprendizagem: Fatores e Métricas. Cadernos de Pesquisa em Educação, 49(171), 144-165.
OpenAI. 2025. OpenAI API documentation. Disponível em: https://platform. openai. com/docs/. Acesso em: 15 jan. 2025.
Pereira, R. 2022. Desenvolvimento Rápido de Aplicações com Python e Streamlit. Novatec Editora, São Paulo, SP, Brasil.
Plooy, E.; Casteleijn, D.; Franzsen, D. 2024. Personalized adaptive learning in higher education: a scoping review of key characteristics and impact on academic performance and engagement. Heliyon, 10(20), e39630.
Python Software Foundation. 2025. Python documentation. Disponível em: https://docs. python. org/3/. Acesso em: 15 jan. 2025.
Ries, E. 2011. The Lean Startup: How Today’s Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business, New York, NY, USA.
Rueda-Gómez, K. L.; Rodríguez-Muñiz, L. J.; Muñiz-Rodríguez, L. 2023. Applicability of Khan Academy resources to improve mathematics performance and self-concept in higher education. Heliyon, 9(5), e15441.
Santos, D. R.; Oliveira, K. F.; Soares, Z. C. B. 2021. Desafios enfrentados pelos professores no cenário pandêmico e no pós pandemia. Research, Society and Development, 10(15), e230101523083.
Streamlit Inc. 2025. Streamlit Documentation. Disponível em: https://docs. streamlit. io/. Acesso em: 15 jan. 2025.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Data Science e Analytics do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
