Adapt2Learn: Uma Plataforma Educacional Adaptativa baseada em Jogos Digitais e Inteligência Artificial Generativa

Qualificação de Doutorado
por Caroline Félix de Oliveira
Publicado: 29/07/2026 - 15:06
Última modificação: 29/07/2026 - 15:06

Linha de pesquisa: Inteligência Artificial

Resumo: O objetivo deste trabalho é investigar e implementar um framework capaz de gerar automaticamente conteúdo educacional curricularmente válido e de adaptar a trajetória de desafios de cada aluno, em jogos digitais, a partir do seu perfil e comportamento, de forma escalável e inclusiva. Tal objetivo responde a duas lacunas persistentes da litera tura de jogos educacionais: no conteúdo, a dependência de bancos de questões fixos, cuja autoria manual é onerosa e difícil de escalar; e, na adaptação, o predomínio de heurísticas de ajuste dinâmico de dificuldade guiadas pelo sinal binário de acerto e erro, que ignoram a estrutura fina do conhecimento do aluno– penalizando públicos heterogêneos, como cri anças e adolescentes com Síndrome de Down. Propõe-se o Adapt2Learn, um framework apoiado por modelos de linguagem de grande porte (do inglês, Large Language Models– LLMs) e organizado em três camadas– conteúdo, orquestração adaptativa e aluno–, materializado em uma plataforma web em operação há mais de um ano em escolas par ceiras. Seus dois mecanismos centrais são o GRACE-KG, que condiciona a geração de itens a uma representação ancorada ao currículo– o PedagogicalChunk, vinculado a habilidades da Base Nacional Comum Curricular (BNCC) e a um grafo de conhecimento educacional– e acrescenta uma validação determinística da consistência matemática; e o I-GPLATO, que substitui regras fixas por inferência generativa, ponderando, a cada sessão, a relevância das habilidades a exercitar segundo o desempenho do aprendiz. A proposta é avaliada empiricamente em educação regular e inclusiva, da geração automá tica de itens à intervenção adaptativa com aprendizes reais. O plano até a defesa foca a conclusão de um piloto controlado– que instancia um Knowledge Tracing bayesiano gra duado por características de processo, em vez da observação binária–, na generalização da orquestração adaptativa e na convergência de geração e personalização em um único laço generativo-adaptativo.

Link para a defesa: https://teams.microsoft.com/meet/278218693680087?p=wKsTuk1eZDTUvbcH9q

Coorientador: Marcelo Zanchetta do Nascimento - Universidade Federal de Uberlândia, Centro de Ciências Exatas e Tecnologia, Faculdade de Ciências da Computação.
Banca Examinadora: 
Márcia Aparecida Fernandes - Universidade Federal de Uberlândia, Faculdade de Ciência da Computacão, Faculdade de Ciência da Computacão.
Rosa Maria Vicari - Universidade Federal do Rio Grande do Sul, Instituto de Informática, Departamento de Informática Teórica.
Data e Horário: 
30/07/2026 - 14:30
Virtual, 2121 1B
Uberlândia, Minas Gerais, Brasil
38400-902
Campus Santa Mônica - Bloco 1B - Sala 230
Complemento: 
1B