IA que Aprende com o Professor

Problema de pesquisa

Como apoiar o professor sem transferir à IA a responsabilidade de avaliar?

A avaliação de fóruns e atividades discursivas exige leitura, contextualização, aplicação de critérios e produção de feedback individualizado. Em turmas extensas, a repetição operacional reduz severamente o tempo disponível para intervenções pedagógicas mais complexas e focadas.

Riscos investigados

Respostas generativas vazias ou desconectadas do conteúdo da disciplina.
Reprodução automatizada de erros anteriormente rejeitados pelo professor.
Inconsistência de critérios avaliativos entre estudantes e turmas semelhantes.
Delegação excessiva de uma decisão que exige autoria e responsabilidade humana.
Exposição de dados pessoais e informações educacionais sensíveis em nuvem.

Estratégia implementada

Recuperação determinística do material educacional da atividade analisada.
Geração assistida de feedback por modelo de linguagemSistema treinado em vastos volumes de dados para interpretar textos e redigir respostas (LLM). contextualizado.
Memória semântica de respostas aprovadas e rejeitadas iterativamente.
Detecção algorítmica de respostas vazias, ruídos e solicitações especiais.
Pré-visualização e aprovação humana (Human-in-the-loopArquitetura onde o humano revisa e aprova o trabalho do algoritmo antes da efetivação.)^[3] mandatória.

Arquitetura de inteligência

RAG híbrido com memória de feedback docente

O sistema combina recuperação determinística de conteúdos educacionais com busca semântica sobre respostas anteriormente avaliadas pelo professor. Essa arquitetura RAGRetrieval-Augmented Generation: Técnica que busca informações precisas em uma base de dados local antes de consultar a IA. permite incorporar simultaneamente o conhecimento didático formal e a experiência empírica acumulada pelo docente durante o uso contínuo.

flowchart TB
    A["Participação
do estudante"] --> B["Normalização
textual"]

    B --> C["Seleção determinística
do material"]
    B --> D["Geração do
embedding"]

    D --> E["SQLite + busca
vetorial linear"]
    E --> F["Respostas
aprovadas"]
    E --> G["Respostas
rejeitadas"]

    C --> H["Contexto
recuperado"]
    F --> H
    G --> H

    H --> I["Modelo de
linguagem"]
    I --> J["Feedback
sugerido"]

    J --> K{"Validação
docente"}
    K -->|"Aprovar"| L["Feedback
validado"]
    K -->|"Rejeitar"| M["Sugestão
descartada"]

    L --> N["Registrar como
aprovada"]
    M --> O["Registrar como
rejeitada"]
    N --> E
    O --> E

Recuperação Aumentada por Geração (RAG)

Como o sistema aprende com a supervisão

Base de conhecimento didática

Materiais, rubricas de correção, orientações e conteúdos específicos são selecionados de forma determinística conforme a atividade analisada e injetados via *prompting* na janela de contexto estrita do modelo.

Memória semântica temporal

Cada decisão de revisão é persistida como representação vetorial (EmbeddingTransformação matemática de um texto em uma lista de números flutuantes.^[1]). A similaridade cossenoCálculo que avalia a distância entre os vetores de texto para encontrar os significados mais parecidos.^[2] permite recuperar experiências passadas semanticamente conexas ao novo caso para ancorar o comportamento do modelo.

recuperacao_supervisionada.py

FUNCAO processar_participacao(texto, atividade):
    participacao ← normalizar(texto)
    contexto ← selecionar_material(atividade)

    # Vetorização e Busca Linear (Memória Semântica)
    embedding ← vetorizar(participacao)
    similares ← buscar_por_similaridade(embedding)

    aprovadas ← filtrar(similares, tag="approved")
    rejeitadas ← filtrar(similares, tag="rejected")

    # Geração Assistida de Feedback (RAG)
    sugestao ← gerar_feedback(
        participacao,
        contexto,
        aprovadas,
        rejeitadas
    )

    # Pipeline de Supervisão Humana (HITL)
    SE professor_aprovar(sugestao):
        registrar(participacao, sugestao, "approved")
        efetivar_feedback(sugestao)
    SENAO:
        registrar(participacao, sugestao, "rejected")
        encaminhar_para_avaliacao_manual()

Evidências Técnicas e Maturidade do Artefato

SQLite com Memória

Base local leve armazenando o feedback classificado para indexação contínua das avaliações do próprio usuário.

Embeddings Analíticos

Extração vetorial da resposta atrelada à rotina geométrica de similaridade cosseno para recuperação ágil.

Pré-visualização Docente

Interface de barreira que expõe a resposta da IA e condiciona o disparo ao clique físico do validador.

Matriz de Implementação e Evolução

Componente Lógico	Estado	Evidência Computacional
Normalização de entrada	Implementado	Sanitização e processamento do texto bruto submetido pelo discente.
Recuperação determinística	Implementado	Busca estrita e injeção dos materiais e guias da atividade-alvo no prompt.
Memória semântica (SQLite)	Implementado	Persistência de embeddings e cálculo dinâmico de busca por similaridade.
Supervisão Docente (HITL)	Implementado	Interface que retém a avaliação e aguarda o aceite humano definitivo.
Pseudonimização Estrutural	Planejado	Módulo local de detecção e mascaramento de DADOS PESSOAIS antes da API.
Banco Vetorial Nativo	Planejado	Transição arquitetural para ChromaDB ou Qdrant para suportar hiper-escala.
Políticas de Retenção de Dados	Agenda jurídica	Adequação aos marcos civis de IA e consentimento institucional atestado.

Supervisão Docente

A IA sugere; o professor decide

O projeto não tem como objetivo substituir o julgamento docente. No modo supervisionado, o feedback permanece em pré-visualização até que o professor aprove ou rejeite a sugestão. O sistema também admite o encaminhamento do caso para avaliação inteiramente manual. A decisão pedagógica permanece atribuída ao professor.

Feedback sugerido

A IA não lança a nota. Ela produz uma proposta baseada nas regras didáticas, e não uma decisão educacional autônoma.

Revisão como requisito

Nesta proposta de pesquisa, a validação humana é a etapa final obrigatória para efetivação de qualquer retorno gerado para o estudante.

Aprendizado empírico

Aprovações e rejeições alimentam a memória semântica do repositório, recalibrando as extrações estatísticas nos usos seguintes.

Aplicabilidade e Interoperabilidade

Integração supervisionada com ambientes educacionais

A arquitetura pode ser adaptada para integração com ambientes virtuuais de aprendizagem que disponibilizem APIs oficiais e documentadas. Nesses cenários, o sistema poderá apoiar a análise de fóruns, atividades discursivas e outras interações educacionais, preservando a revisão e a decisão final do professor.

A integração deverá utilizar exclusivamente mecanismos autorizados pela instituição e pela plataforma, respeitando autenticação, limites de uso, proteção de dados, rastreabilidade e políticas institucionais.

Personalização progressiva com RAG

O sistema utiliza recuperação aumentada por geração para combinar materiais da disciplina, orientações pedagógicas e experiências avaliativas anteriormente classificadas pelo professor. Dessa forma, o modelo recebe exemplos semanticamente relacionados e pode produzir sugestões compatíveis com os critérios e o padrão de feedback anteriormente validado pelo docente.

Em etapa futura, um conjunto anonimizado e revisado de exemplos poderá subsidiar experimentos de ajuste fino do modelo (Fine-TuningTreinamento avançado que altera os pesos matemáticos internos do modelo original para especializá-lo exclusivamente na sua base de dados.^[6]). Essa possibilidade permanece condicionada à disponibilidade de corpus adequado, autorização para uso dos dados e protocolo formal de avaliação.

Potencial de pesquisa aplicada

Questão central de investigação

Como combinar modelos de linguagem, recuperação semântica e supervisão humana para produzir feedback educacional contextualizado, consistente e explicável, sem transferir à IA a responsabilidade final pela avaliação?

Métricas Analíticas e Estatísticas

Taxa de aprovação do feedback gerado sem necessidade de edição docente.
Consistência das respostas em casos semanticamente semelhantes.
Índice global de rejeição e encaminhamento manual.
Ganho de tempo médio de correção por participação estudantil.
Índice Cohen's Kappa atestando concordância categórica entre avaliadores.
Avaliação "duplo-cega" do nível de assertividade do feedback por dois docentes.

Limitações metodológicas e requisitos para evolução

Restrições de Privacidade e Uso

Comunicação Externa: A geração do feedback utiliza serviços externos proprietários de modelos de linguagem e embeddings.
No estágio atual, o conteúdo processado pode ser transmitido ao provedor configurado, tornando necessária a implementação prévia de pseudonimização e anonimização local, minimização de dados, política de retenção e base jurídica adequada antes de qualquer adoção institucional.
Uma eventual pesquisa com dados educacionais reais deverá definir previamente base legal, governança, controles de acesso e, quando aplicável, submissão ao sistema de ética em pesquisa.

Limitações Operacionais e Futuro

A base de conhecimento referencial ainda possui baixa volumetria e é selecionada por regras determinísticas estritas.
A memória semântica se utiliza de busca vetorial linear baseada no motor *SQLite*, que não escalará adequadamente para turmas massivas sem a migração para Bancos Vetoriais dedicados.
Aprovações passadas tendem a reproduzir os vieses sistemáticos do próprio docente alimentador da base.
Ainda não foi consolidada a avaliação experimental controlada com pares para validar empiricamente a qualidade sugerida pelo LLM.

Engenharia de Software e Liderança

A modelagem do problema de pesquisa, a idealização da arquitetura RAG + Human-in-the-Loop e o desenvolvimento das rotinas lógicas de persistência vetorial formam um artefato acadêmico-operacional idealizado de forma independente. O projeto sublinha empiricamente a exigência da aplicação da inteligência artificial generativa aliada à indispensável e contínua supervisão humana na esfera da avaliação educacional.

Wilmar Borges Leal Junior

Mestre em Modelagem Computacional de Sistemas
Professor do IFTO
Advogado — OAB/TO 11.673
Tecnologia e Inovação — AGU

Retornar aos Projetos de P&D Currículo Lattes (CNPq)

Referências e Glossário Técnico

[1] Embedding (Representação Vetorial): Transformação de blocos de texto em vetores numéricos contínuos, possibilitando medir computacionalmente o grau de proximidade semântica entre participações discursivas de alunos.
[2] Similaridade Cosseno: Métrica matemática utilizada na ciência de dados para calcular o ângulo (distância) entre dois vetores. Permite ao sistema localizar as correções prévias do professor mais alinhadas ao caso em avaliação.
[3] Human-in-the-Loop (HITL): Arquitetura de sistemas inteligentes onde o modelo executa processamento ou inferência primária, mas requer ação explícita de um validador humano para a concretização do processo.
RAG (Retrieval-Augmented Generation): Estratégia computacional que suplementa Modelos de Linguagem Genéricos com bancos de dados fechados (no caso, os materiais da disciplina), restringindo consideravelmente o índice das respostas factualmente incorretas ou não fundamentadas.
Memória Semântica: Repositório dinâmico onde não se busca por palavras-chave fixas (Match literal), mas por intenções de texto. Alimenta-se organicamente a cada intervenção ou correção feita pelo professor na plataforma.
[6] Fine-Tuning (Ajuste Fino): Treinamento avançado que altera fisicamente os pesos matemáticos do modelo fundacional original para especializá-lo e fixá-lo no escopo da base de dados do professor.

RAG, memória semântica e supervisão humana aplicados à avaliação formativa.

Apresentação anonimizada