RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 1
INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: COMO ALGORITMOS
ADAPTATIVOS PODEM ELEVAR O DESEMPENHO ACADÊMICO
INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN: CÓMO LOS ALGORITMOS
ADAPTATIVOS PUEDEN ELEVAR EL RENDIMIENTO ACADÉMICO
ARTIFICIAL INTELLIGENCE IN EDUCATION: HOW ADAPTIVE ALGORITHMS
CAN ENHANCE ACADEMIC PERFORMANCE
Marcelo de Queiroz Silva MATOS
1
e-mail: celoiasp@hotmail.com
Como referenciar este artigo:
Matos, M. Q. S., Viana, H. B., Nascimento, E. R., & Tavares, C. Z.
(2026). Inteligência artificial na educação: como algoritmos
adaptativos podem elevar o desempenho acadêmico. Revista on line
de Política e Gestão Educacional, 30, e026056.
https://doi.org/10.22633/rpge.v30i00.21254
| Submetido em: 15/04/2026
| Revisões requeridas em: 23/04/2026
| Aprovado em: 14/06/2026
| Publicado em: 26/06/2026
Editor:
Prof. Dr. Sebastião de Souza Lemes
Editor Adjunto Executivo:
Prof. Dr. José Anderson Santos Cruz
1
Centro Universitário Adventista de São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brasil. Diretor
Escolar na Associação Adventista do Vale do Paraíba.
2
Centro Universitário Adventista de São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brasil.
Professora Permanente no Programa de Pós-graduação em Educação.
3
Universidade Europeia de Lisboa, Lisboa – Brasil. Professor Auxiliar.
4
Centro Universitário Adventista de São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brasil.
Professora Permanente no Programa de Pós-graduação em Educação.
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 2
RESUMO: Este estudo avaliou o impacto de uma intervenção pedagógica mediada por
Inteligência Artificial (IA) e algoritmos adaptativos no desempenho acadêmico de estudantes
do 9º ano do Ensino Fundamental de duas escolas privadas localizadas em Ananindeua (PA) e
São Luís (MA). Foi realizado um estudo comparativo entre o grupo teste, que utilizou trilhas
personalizadas de aprendizagem em plataforma baseada em IA, e o grupo controle, submetido
à metodologia tradicional. A análise dos resultados utilizou dados do Programa Adventista de
Avaliação da Educação Básica (PAAEB) e indicadores fundamentados na Teoria de Resposta
ao Item (TRI). Os resultados apontaram avanços nos níveis de proficiência em Língua
Portuguesa e Matemática, além de um ganho médio relativo de aproximadamente 49% no
desempenho dos estudantes acompanhados pela plataforma. Conclui-se que a IA pode
contribuir para a personalização do ensino, desde que associada à mediação pedagógica ativa e
ao acompanhamento contínuo dos estudantes.
PALAVRAS-CHAVE: Inteligência artificial. Tecnologia educacional. Aprendizagem
personalizada.
RESUMEN: Este estudio evaluó el impacto de una intervención pedagógica mediada por
Inteligencia Artificial (IA) y algoritmos adaptativos en el rendimiento académico de estudiantes
de 9º año de la Educación Primaria en dos escuelas privadas ubicadas en Ananindeua (PA) y
São Luís (MA). Se realizó un estudio comparativo entre un grupo de prueba, que utilizó
trayectorias personalizadas de aprendizaje en una plataforma basada en IA, y un grupo de
control, sometido a la metodología tradicional. El análisis de los resultados utilizó datos del
Programa Adventista de Evaluación de la Educación Básica (PAAEB) e indicadores
fundamentados en la Teoría de Respuesta al Ítem (TRI). Los resultados señalaron avances en
los niveles de competencia en Lengua Portuguesa y Matemáticas, además de una ganancia
media relativa de aproximadamente el 49% en el rendimiento de los estudiantes acompañados
por la plataforma. Se concluye que la IA puede contribuir a la personalización de la enseñanza,
siempre que esté asociada a la mediación pedagógica activa y al seguimiento continuo de los
estudiantes.
PALABRAS CLAVE: Inteligencia artificial. Tecnología educativa. Aprendizaje personalizado.
ABSTRACT: This study evaluated the impact of a pedagogical intervention mediated by
Artificial Intelligence (AI) and adaptive algorithms on the academic performance of 9th-grade
elementary school students in two private schools located in Ananindeua (PA) and São Luís
(MA). A comparative study was conducted between a test group, which used personalized
learning pathways on an AI-based platform, and a control group, subjected to traditional
methodology. The analysis of the results utilized data from the Adventist Basic Education
Evaluation Program (PAAEB) and indicators based on Item Response Theory (IRT). The results
showed advances in proficiency levels in Portuguese Language and Mathematics, as well as an
average relative gain of approximately 49% in the performance of the students monitored by
the platform. It is concluded that AI can contribute to the personalization of teaching, provided
it is associated with active pedagogical mediation and continuous student monitoring.
KEYWORDS: Artificial intelligence. Educational technology. Personalized learning.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 3
INTRODUÇÃO
A Inteligência Artificial (IA) tem impactado quase todos os setores da vida humana,
inclusive a educação. A integração da IA no ambiente educacional tem evoluído de aplicações
rudimentares para sistemas sofisticados capazes de personalizar o aprendizado e otimizar o
processo de ensino-aprendizagem. Ao mesmo tempo, sua utilização também suscita
preocupações, seja em relação à formação de professores, à infraestrutura mínima necessária às
escolas e universidades, ou ainda às questões éticas, como o uso indevido ou a dependência
excessiva das plataformas de IA.
As raízes da Inteligência Artificial na educação remontam à década de 1960 (Papert,
1993), período em que pesquisadores começaram a explorar o potencial das máquinas para
automatizar processos pedagógicos. Nessa época, foram desenvolvidos os Sistemas Tutores
Inteligentes (ITS), que visavam oferecer feedback automatizado aos alunos, simulando a
interação com um professor em cenários controlados. Sleeman et al. (1982) lembram que,
embora inovadores naquele momento, esses sistemas operavam com base em regras
predefinidas e algoritmos programados, o que limitava sua capacidade de personalização
efetiva do ensino.
Durante as décadas de 1970 e 1980, a pesquisa em IA educacional avançou com o
desenvolvimento de sistemas mais complexos, capazes de modelar o conhecimento do aluno e
adaptar o conteúdo didático ao seu progresso individual (Luckin et al., 2016a). Um exemplo
pioneiro foi o sistema SCHOLAR, criado por Jaime Carbonell em 1970, que utilizava IA para
o ensino de geografia. Carbonell (1970) explica que o SCHOLAR introduziu um modelo de
diálogo que permitia aos estudantes interagir com o sistema, fazer perguntas e receber respostas
personalizadas, marcando um avanço significativo em direção ao aprendizado adaptativo.
Com o avanço da era digital e o aumento exponencial da disponibilidade de dados, a
Inteligência Artificial assumiu um papel central na adaptação do currículo às necessidades
individuais da educação. A Revolução dos Dados permitiu a coleta, análise e interpretação de
vastos volumes de informações, possibilitando que sistemas educacionais fossem ajustados para
atender às necessidades específicas de cada aluno. Nesse cenário, a IA tornou-se uma
ferramenta indispensável para criar ambientes de aprendizado adaptativos, nos quais o conteúdo
e o ritmo de ensino são ajustados conforme o desempenho e as preferências individuais dos
estudantes. A análise de dados em larga escala tem proporcionado aos educadores a capacidade
de identificar padrões de comportamento e adaptar o ensino às características particulares de
cada aluno (Anderson & Rainie, 2018).
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 4
A análise de grandes volumes de dados impulsionou o desenvolvimento de sistemas
educacionais baseados em aprendizagem adaptativa, que empregam algoritmos de IA para
monitorar continuamente o progresso dos estudantes e ajustar os conteúdos de acordo com seu
desempenho. Esses sistemas oferecem materiais de estudo personalizados, adaptados ao ritmo
de aprendizagem de cada aluno, facilitando a identificação de áreas que demandam maior
atenção. Essa estratégia, considerada uma das mais inovadoras no campo educacional, permite
níveis avançados de personalização, nos quais cada estudante segue um percurso de
aprendizagem individualizado. Esse modelo tem se mostrado eficaz em disciplinas como
matemática, ciências e idiomas, nas quais o progresso pode ser monitorado em tempo real e
ajustado de forma precisa, promovendo uma experiência educacional mais eficiente e focada
nas necessidades de cada aluno (Woolf, 2009).
O uso de dados para personalizar a educação tem gerado mudanças significativas no
papel dos professores. Embora a IA tenha automatizado diversos aspectos do ensino, ela
também atua como uma ferramenta de apoio crucial, fornecendo aos educadores uma visão
detalhada do progresso dos alunos. Por meio dos dados gerados por sistemas baseados em IA,
os professores podem identificar com maior precisão as dificuldades dos estudantes e intervir
de maneira direcionada e eficaz. Essa integração entre IA e prática pedagógica possibilita um
aprendizado personalizado em escala, oferecendo aos educadores recursos para ajustar suas
intervenções de acordo com as necessidades específicas de cada aluno. Esse modelo combina
automação e pedagogia personalizada, criando oportunidades para transformar o ensino e a
aprendizagem (Luckin et al., 2016).
À medida que a Revolução dos Dados avança, as possibilidades de personalização no
ensino se expandem, prometendo uma educação mais inclusiva e eficaz. Contudo, o uso da IA
e de dados em larga escala na educação também suscita questões éticas, especialmente em
relação à privacidade dos dados dos alunos. É imperativo que essas inovações sejam
implementadas de forma responsável, garantindo que as informações coletadas sejam utilizadas
para o benefício dos estudantes, sem comprometer sua privacidade. Com a expansão dessas
tecnologias, o futuro da educação personalizada se mostra promissor, oferecendo caminhos para
um ensino mais individualizado e centrado nas necessidades específicas de cada aluno.
Na área de avaliação, os sistemas de análise de dados educacionais desempenham um
papel crucial ao auxiliar professores e administradores na compreensão detalhada do
desempenho dos alunos. Combinadas à IA, essas ferramentas possibilitam o monitoramento
contínuo do progresso acadêmico, a identificação precoce de dificuldades de aprendizado e a
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 5
adaptação do currículo às necessidades específicas dos estudantes. Além de fornecer
informações valiosas sobre o processo educacional, essas tecnologias permitem intervenções
pedagógicas mais precisas e eficazes, garantindo um ensino alinhado às demandas individuais.
Essa abordagem é especialmente vantajosa para instituições comprometidas em oferecer uma
educação de alta qualidade, baseada em evidências e no uso estratégico de dados (Anderson &
Rainie, 2018).
As ferramentas modernas de IA na educação estão reformulando a maneira como o
conhecimento é transmitido e construído, promovendo uma educação cada vez mais inclusiva
e adaptada às necessidades dos alunos. Embora o uso da IA no ambiente educacional traga
inúmeras vantagens, ele também exige uma abordagem ética, especialmente em relação à
privacidade dos dados. É essencial que essas ferramentas sejam utilizadas com
responsabilidade, assegurando que o foco permaneça no desenvolvimento integral dos
estudantes e no apoio ao trabalho dos educadores. Assim, as ferramentas de IA continuam a se
expandir, redefinindo o cenário educacional e criando novas possibilidades para a
aprendizagem personalizada (Luckin et al., 2016; Woolf, 2009; Fadel et al., 2024).
Estudos recentes indicam que sistemas baseados em Inteligência Artificial podem
favorecer a personalização do ensino, oferecendo feedback em tempo real, identificação de
lacunas de aprendizagem e adaptação de conteúdos ao perfil do estudante. Tais características
têm sido associadas a melhorias no engajamento e no acompanhamento individualizado do
processo de aprendizagem (Fadel et al., 2024; Holmes et al., 2019; Unesco, 2024; Unicef et al.,
2020).
Diante desse panorama e das possibilidades oferecidas pela IA na educação, este estudo
buscou avaliar o desempenho acadêmico dos alunos após a implementação de uma intervenção
didática mediada por Inteligência Artificial em duas escolas privadas localizadas em contextos
regionais distintos: uma em Ananindeua (Pará), na região Norte, e outra em São Luís
(Maranhão), na região Nordeste do Brasil.
Nas escolas incluídas neste estudo, os estudantes do 5º ao 9º ano do Ensino Fundamental
são avaliados anualmente pelo PAAEB (Programa Adventista de Avaliação da Educação
Básica), nas disciplinas de Língua Portuguesa e Matemática. Os alunos do 2º ano do Ensino
Médio também são avaliados nas duas disciplinas e, adicionalmente, nas áreas de Ciências da
Natureza e suas Tecnologias, Linguagens, Códigos e suas Tecnologias, Matemática e suas
Tecnologias e Ciências Humanas e suas Tecnologias. Além da prova, é aplicado um
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 6
questionário complementar, respondido pelos professores e estudantes, para identificar fatores
externos que influenciam o desempenho acadêmico.
O Programa Adventista de Avaliação da Educação Básica (PAAEB) é um sistema de
avaliação institucional utilizado pela Rede Adventista de Educação para monitorar indicadores
de aprendizagem e desempenho acadêmico dos estudantes. O programa utiliza matrizes de
referência alinhadas às competências e habilidades previstas para cada etapa de ensino e
emprega metodologia fundamentada na Teoria de Resposta ao Item (TRI), permitindo a
comparação longitudinal dos resultados e a classificação dos estudantes em níveis de
proficiência. Além das provas cognitivas, são aplicados questionários contextuais destinados à
identificação de fatores associados ao desempenho escolar.
Os resultados obtidos são classificados com base na média dos alunos e apresentados
por níveis (conforme as tabelas de Escala de Proficiência apresentadas abaixo). Em Língua
Portuguesa, de 200 a 274 pontos na escala representam os níveis 1 a 3, classificados como
Proficiência Básica; de 275 a 324, os níveis 4 e 5, classificados como Proficiente; e de 325 a
400 pontos, os níveis 6 a 8, classificados como Proficiência Avançada.
Em Matemática, de 200 a 299 pontos na escala representam os níveis 1 a 4, classificados
como Proficiência Básica; de 300 a 349, os níveis 5 e 6, classificados como Proficiente; e de
350 a 425, os níveis 7 a 8, classificados como Proficiência Avançada. Os resultados do PAAEB
das turmas de 9º ano das duas unidades escolares foram analisados considerando os anos de
2022 e 2023, sendo 2022 o ano anterior ao estudo e 2023 o ano de utilização da tecnologia nas
turmas selecionadas. Em ambas as unidades escolares, os índices do PAAEB detectaram
mudanças de níveis no período analisado, de 2022 a 2023.
Na análise da proficiência em Língua Portuguesa, a unidade de São Luís (MA)
apresentou o maior crescimento nas provas aplicadas em 2022 e 2023, deixando a zona de
proficiência básica (nível 3) e obtendo médias que a classificaram como Proficiente (nível 4),
com crescimento de 16 pontos. A unidade de Ananindeua (PA) apresentou um aumento de 12.1
pontos; no entanto, manteve-se no mesmo nível de proficiência (nível 4 – Proficiente).
A análise dos dados referentes à Matemática mostrou que ambas as unidades
apresentaram crescimento, deixando a zona de proficiência básica e passando para a categoria
Proficiente. O maior aumento foi detectado na unidade de Ananindeua (PA), com crescimento
de 38,1 pontos, mudando a classificação de nível 4 (Proficiência Básica) para nível 6
(Proficiente), a um ponto da classificação de Proficiência Avançada. Na unidade de São Luís
(MA), o crescimento de 11,1 pontos resultou na classificação no nível 5, Proficiente. Os dados
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 7
apontam os resultados acadêmicos obtidos nas turmas analisadas; contudo, reconhece-se que
variáveis como o acompanhamento docente, a infraestrutura tecnológica e o contexto
socioeconômico também influenciam os resultados.
PROCEDIMENTOS METODOLÓGICOS
Para a coleta de dados, os alunos foram divididos em dois grupos principais: Grupo
Teste, composto por estudantes que utilizaram as trilhas de aprendizagem personalizadas da
plataforma, planejadas a partir de dados coletados previamente; e Grupo Controle, formado por
estudantes que seguiram a metodologia de ensino adotada pela escola, sem acesso à plataforma
de inteligência artificial. A escolha do 9º ano para esta análise se deu pelas razões apresentadas
a seguir: a) autorização da empresa proprietária da plataforma de tecnologia exclusivamente
para esse nível de ensino; b) série com duas turmas em cada unidade, fator necessário para a
análise comparativa; c) o 9º ano corresponde à fase de transição do Ensino Fundamental para o
Ensino Médio, e a utilização da plataforma por estudantes com maior maturidade permite uma
melhor análise dos resultados.
Para o grupo teste, que utilizaria a plataforma, foi escolhida a turma com menor
proficiência acadêmica, nomeada neste estudo como Turma B. Para o grupo controle, que não
utilizaria a plataforma, foi escolhida a turma com nível acadêmico superior ao do grupo teste,
nomeada neste estudo como Turma A.
A escolha teve como objetivo a obtenção de dados mais contundentes sobre o impacto
do uso da plataforma no desempenho acadêmico dos estudantes. A hipótese formulada era a
seguinte: se a análise psicométrica e o acompanhamento por trilhas forem eficazes, a turma B
(grupo teste) terá avanços no rendimento acadêmico, aproximando seu desempenho do da
Turma A (grupo controle) ou até mesmo igualando-o.
Embora a Turma A (grupo controle) não tenha utilizado a plataforma nas atividades
realizadas pelos estudantes, os alunos desse grupo foram submetidos às mesmas avaliações,
pois a plataforma permitiu a impressão das provas para a aplicação junto ao grupo controle.
Todos os estudantes participaram do estudo, sem evasão durante a pesquisa, provavelmente
devido ao uso da plataforma integrava o sistema avaliativo. A intervenção ocorreu ao longo do
segundo semestre de 2023 e incluiu as seguintes etapas descritas no Quadro 1:
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 8
Quadro 1.
Etapas da implementação da plataforma
Data
O que foi feito
Descrição
16/08/23
Reunião de alinhamento da
implementação
Primeira reunião para definir metas, etapas e expectativas
para a implementação da plataforma.
22/08/23
29/08/23
Vivência com professores
Treinamento dos professores e elaboração de avaliações
dentro da plataforma.
27/08/23
Envio das redações
Coleta de redações para extração de dados cognitivos e
comportamentais dos alunos.
04/09/23
17/09/23
Vivência com alunos
Período de interação dos alunos com a plataforma,
incluindo a realização de roteiros de estudo.
05/09/23
Envio do arquivo PDF para
impressão
Preparação e envio dos arquivos das provas para que sejam
impressas.
18/09/23
22/09/23
Aplicação da avaliação física
Aplicação das provas físicas e envio dos cartões-resposta
para correção.
28/09/23
Apresentação dos resultados
Exibição dos resultados obtidos e avaliação da experiência
piloto com a plataforma.
Nota. Dados da pesquisa.
A coleta de dados foi planejada e executada com o intuito de captar informações precisas
e abrangentes sobre o desempenho dos alunos. Para tanto, foram utilizadas diferentes fontes de
dados: 1. Plataforma de IA: constituiu o objeto de estudo e o principal instrumento de coleta,
registrando dados cognitivos, psicométricos, pedagógicos e comportamentais dos estudantes.
Os algoritmos da plataforma analisaram as interações dos alunos, gerando relatórios detalhados
e preditivos; 2. Simulados avaliativos: foram aplicados simulados, elaborados com suporte da
plataforma, tanto para os alunos do grupo de teste quanto para os do grupo de controle. Essas
avaliações serviram como base para mensurar os avanços obtidos ao longo do período letivo.
ASPECTOS ÉTICOS
A pesquisa foi conduzida utilizando dados educacionais produzidos no contexto regular
das atividades escolares. Todos os estudantes participantes estavam regularmente matriculados
nas instituições envolvidas e participaram das atividades pedagógicas previstas para sua série.
Para fins de análise científica, os dados foram tratados de forma agregada e anonimizada, sem
identificação individual dos participantes. Nenhum dado sensível foi divulgado. A participação
dos estudantes ocorreu no âmbito das atividades educacionais regulares desenvolvidas pelas
instituições escolares e pela plataforma utilizada no estudo, preservando-se os princípios de
confidencialidade e de proteção das informações dos participantes.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 9
METODOLOGIA DE ANÁLISE POR PROFICIÊNCIA
No presente estudo, a análise do desempenho acadêmico dos estudantes foi realizada
com base na Teoria de Resposta ao Item (TRI). A Teoria de Resposta ao Item (TRI) foi
desenvolvida a partir dos trabalhos de Georg Rasch, Birnbaum e Lord nas décadas de 1950 e
1960. Ela se baseia na modelagem estatística para analisar a relação entre a proficiência de um
indivíduo e suas respostas aos itens de um teste. A teoria permite a classificação dos alunos em
três níveis distintos de proficiência (Wolins et al., 1982):
Proficiência Alta: Este grupo é composto por estudantes com elevado nível de
habilidades, apresentando uma probabilidade significativamente maior de responder
corretamente às questões mais complexas e desafiadoras do teste. Na modelagem TRI, essa
proficiência é caracterizada por uma alta estimativa no traço latente de habilidade, permitindo
que esses alunos lidem de maneira eficiente com problemas que a maioria dos demais
participantes considera de difícil resolução (Baker, 2001).
Proficiência Média: Os estudantes pertencentes a esse grupo possuem uma taxa
moderada de acerto, sendo capazes de responder corretamente a questões de dificuldade
intermediária, mas apresentando dificuldades nos itens mais desafiadores. Na representação
gráfica da TRI, esses indivíduos situam-se na região central da curva característica do item,
com uma probabilidade em torno de 50% de acerto nas questões de dificuldade média (Baker,
2001).
Proficiência Baixa: Os alunos classificados nesse nível apresentam dificuldades
significativas no processo de aprendizagem, possuindo uma probabilidade reduzida de acerto
mesmo em questões consideradas mais acessíveis. Na modelagem TRI, são identificados por
baixas estimativas no traço latente de habilidade, o que indica maior necessidade de suporte e
intervenções pedagógicas direcionadas (Andrade et al., 2000).
Essa segmentação permitiu uma compreensão mais detalhada do impacto da plataforma
nos diferentes perfis de alunos, possibilitando o desenvolvimento de estratégias mais eficazes
para cada grupo de proficiência.
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 10
EXTRAÇÃO POR INTELIGÊNCIA ARTIFICIAL
A obtenção das estimativas de proficiência dos alunos foi viabilizada por meio da
tecnologia de Inteligência Artificial (IA) incorporada à plataforma educacional. A solução
desenvolvida demonstrou capacidade de identificar e categorizar os níveis de proficiência dos
estudantes com base em um volume limitado de interações com os itens avaliativos. Essa
funcionalidade supera as limitações impostas pelos métodos tradicionais de avaliação,
proporcionando uma análise mais refinada e precisa do desempenho acadêmico.
A metodologia empregada pela plataforma para aferição da proficiência dos alunos
baseia-se na Teoria de Resposta ao Item (TRI), aplicada de maneira expandida a um contexto
mais abrangente da disciplina em análise. A proficiência pode ser entendida como a capacidade
do aluno de dominar determinado conjunto de conteúdos e habilidades, extrapolada a partir de
um conjunto amostral de questões avaliativas. Considerando que uma matriz pedagógica pode
abranger centenas de tópicos, mas uma avaliação tradicional cobre apenas uma fração desses
conteúdos, a plataforma utiliza um modelo estatístico para inferir o conhecimento global do
estudante com base em suas respostas a um subconjunto de questões.
O processo de estimativa ocorre em duas etapas principais: medições diretas e
inferências estatísticas. Inicialmente, as medições diretas correspondem às respostas fornecidas
pelos alunos a questões específicas dentro da plataforma, como exercícios, testes ou atividades
estruturadas. Cada resposta correta ou incorreta representa um dado concreto sobre o nível de
conhecimento do estudante em relação ao tema abordado. A partir dessas medições diretas, são
aplicadas inferências estatísticas para extrapolar os resultados para outros tópicos correlatos.
Esse processo baseia-se no princípio de que determinados conhecimentos possuem
interdependências lógicas. Por exemplo, se um estudante demonstra domínio sobre equações
do segundo grau, é estatisticamente provável que ele também compreenda equações do primeiro
grau e operações numéricas fundamentais, visto que tais conceitos são pré-requisitos para o
aprendizado do primeiro conteúdo.
A tecnologia de Inteligência Artificial utilizada na plataforma é baseada em redes
neurais artificiais, que operam de forma semelhante ao funcionamento de algoritmos de
recomendação presentes em redes sociais. O modelo agrupa estudantes com padrões de
interação semelhantes e analisa seus desempenhos históricos, permitindo estabelecer
correlações entre diferentes tópicos da disciplina. Assim, ao identificar um novo aluno, a rede
neural busca agrupá-lo com perfis semelhantes e, com base nas informações disponíveis, realiza
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 11
inferências sobre seu nível de proficiência nos diversos conteúdos (Andrade et al., 2000; Baker,
2001).
O cálculo da proficiência do aluno é continuamente atualizado conforme novas
interações são registradas na plataforma. O modelo adota uma escala padronizada, variando
entre -3 e 3, na qual cada aluno recebe um valor de proficiência ajustado de acordo com suas
respostas e os parâmetros logísticos dos itens avaliativos. Com base nessa métrica, a plataforma
categoriza os estudantes em diferentes faixas de desempenho, como baixo, médio e alto,
facilitando a personalização das estratégias pedagógicas e a tomada de decisão educacional.
Dessa forma, a tecnologia aplicada na plataforma educacional permite uma avaliação
dinâmica e precisa da proficiência dos alunos, superando as limitações dos métodos
convencionais e proporcionando um acompanhamento contínuo do desenvolvimento
acadêmico.
RESULTADOS
Neste item, serão apresentados os resultados da aplicação da plataforma de
aprendizagem em turmas teste do 9º ano do Ensino Fundamental de duas escolas privadas,
localizadas nas cidades de São Luís (MA) e Ananindeua (PA). A análise dos dados permitirá
compreender de que forma a ferramenta influenciou o desempenho acadêmico dos estudantes,
comparando os indicadores de rendimento antes e depois de sua implementação. Além disso,
busca-se identificar padrões de aprendizagem, avanços na assimilação dos conteúdos e o
impacto da plataforma na adaptação das trilhas de estudo às necessidades específicas de cada
aluno, contribuindo para um ensino mais eficaz e personalizado.
DISTRIBUIÇÃO DAS PROFICIÊNCIAS GLOBAIS
O histograma a seguir (Figura 1) apresenta a distribuição das proficiências
psicométricas dos alunos, considerando uma escala que varia de -3 a +3. Pontuações próximas
de zero indicam uma proficiência média, em conformidade com referências nacionais. Os dados
indicam uma concentração significativa de alunos nos níveis médio e baixo, reforçando a
necessidade de intervenções pedagógicas personalizadas para a melhoria da aprendizagem.
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 12
Figura 1.
Histograma da proficiência global
Nota. Dados da pesquisa (2024).
Observa-se concentração predominante de estudantes na faixa compreendida entre -1 e
1 na escala theta, indicando predominância de níveis de proficiência classificados como médios.
A presença de estudantes distribuídos nas faixas inferiores reforça a heterogeneidade da
população analisada e evidencia a necessidade de estratégias diferenciadas de acompanhamento
pedagógico.
A análise realizada nesta pesquisa estabelece um ponto de referência fundamental para
a implementação de soluções educacionais inovadoras baseadas em Inteligência Artificial,
desenvolvidas pela plataforma. A principal finalidade dessa plataforma é impulsionar e
aprimorar a proficiência acadêmica dos alunos ao longo de sua trajetória educacional,
proporcionando um ambiente de aprendizagem mais dinâmico, adaptativo e eficiente. Este
enfoque alinha-se com a visão de que a IA, ao processar grandes volumes de dados, impulsiona
o desenvolvimento de sistemas educacionais adaptativos capazes de monitorar o progresso dos
estudantes e ajustar conteúdos de forma contínua, oferecendo materiais de estudo
personalizados e percursos individualizados (Woolf, 2009).
Esse processo exige um acompanhamento sistemático e minucioso, abrangendo
avaliações periódicas e intervenções pedagógicas direcionadas, de modo a garantir que cada
aluno receba um suporte personalizado de acordo com suas especificidades e desafios
individuais. A tecnologia aplicada desempenha um papel essencial nesse contexto, pois permite
a identificação de padrões de aprendizagem, possibilita ajustes personalizados nas trilhas de
ensino e promove um desenvolvimento acadêmico mais alinhado às reais necessidades dos
estudantes. Conforme destacado por Anderson e Rainie (2018), a análise de dados em larga
escala proporciona aos educadores a capacidade de identificar padrões de comportamento e
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 13
adaptar o ensino às características particulares de cada aluno, transformando o papel do
professor em um facilitador mais informado e estratégico (Luckin et al., 2016).
A distribuição dos dados apresentada no histograma demonstra a relevância da
implementação de estratégias pedagógicas baseadas em evidências, visando suprir eventuais
lacunas no processo de ensino-aprendizagem. A análise reforça a necessidade de abordagens
educacionais fundamentadas em dados quantitativos, possibilitando um acompanhamento mais
preciso do desempenho discente. Dessa forma, torna-se viável a adoção de intervenções
pedagógicas direcionadas, que promovam um ensino mais inclusivo, equitativo e alinhado às
necessidades individuais dos estudantes, sempre com a ressalva ética quanto à privacidade dos
dados dos alunos (Anderson & Rainie, 2018).
DISTRIBUIÇÃO DE PROFICIÊNCIA POR ÁREA DO CONHECIMENTO
A análise dos níveis de proficiência dos estudantes é realizada a partir da distribuição
dos valores do parâmetro theta, que varia no intervalo de -3 a 3. Esse parâmetro representa a
estimativa da proficiência do aluno dentro do modelo de Teoria de Resposta ao Item (TRI), uma
abordagem psicométrica desenvolvida a partir dos trabalhos de Georg Rasch, Birnbaum e Lord
nas décadas de 1950 e 1960. A TRI baseia-se na modelagem estatística para analisar a relação
entre a proficiência de um indivíduo e suas respostas aos itens de teste, permitindo uma
classificação mais refinada dos alunos em diferentes níveis de habilidade (Wolins et al., 1982;
Baker, 2001; Andrade et al., 2000).
Os dados são apresentados por meio de gráficos que correlacionam os valores de theta
(proficiência dos alunos) com a quantidade de estudantes inseridos em cada faixa de
proficiência. No eixo horizontal, estão representados os valores do parâmetro theta, enquanto
no eixo vertical consta a quantidade de estudantes situados em cada um desses intervalos. A
categorização da proficiência é realizada com base em faixas qualitativas, representadas por
diferentes cores: azul para estudantes com proficiência baixa, laranja para estudantes com
proficiência média e verde para estudantes com proficiência alta. Essa segmentação permite
uma compreensão detalhada do impacto da plataforma nos diferentes perfis de alunos,
possibilitando o desenvolvimento de estratégias pedagógicas mais eficazes e direcionadas
(Andrade et al., 2000).
É importante ressaltar que os gráficos apresentados refletem os mesmos princípios
analíticos, diferenciando-se apenas pelo recorte da área do conhecimento em análise. Dessa
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 14
forma, há representações gráficas específicas para as áreas de Ciências Humanas, Matemática,
Linguagens e Ciências da Natureza, possibilitando uma avaliação mais detalhada do
desempenho dos alunos em cada uma dessas áreas. A segmentação da análise por áreas do
conhecimento permite identificar padrões de aprendizagem distintos, auxiliando na formulação
de estratégias pedagógicas mais eficazes, uma vez que a plataforma atualiza continuamente as
estimativas de proficiência dos estudantes à medida que novas interações são registradas,
categorizando os estudantes em diferentes faixas de desempenho para personalizar as
estratégias pedagógicas (Baker, 2001).
Figura 2.
Histograma da proficiência na área de Ciências Humanas
Nota. Dados da pesquisa.
A Figura 2 reflete o mesmo princípio analítico das demais figuras, diferenciando-se
apenas pelo recorte da área do conhecimento em análise, neste caso, a área de Ciências
Humanas.
Na área de Ciências Humanas, verifica-se maior concentração de estudantes na faixa de
proficiência média, com menor representação nos extremos da distribuição. Esse
comportamento sugere uma relativa homogeneidade do desempenho dos estudantes nessa área.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 15
Figura 3.
Histograma da proficiência na área de Linguagens
Nota. Dados da pesquisa.
Assim como as demais representações gráficas, a Figura 3 utiliza os mesmos princípios
analíticos, diferenciando-se apenas pelo recorte temático: a área de Linguagens.
Em Linguagens, observa-se distribuição semelhante à encontrada na proficiência global,
com predominância de estudantes nas faixas intermediárias e reduzida concentração nos níveis
extremos.
Figura 4.
Histograma da proficiência na área de Matemática
Nota. Dados da pesquisa.
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 16
A Figura 4 segue os mesmos princípios metodológicos das demais figuras, oferecendo
uma análise específica do desempenho em Matemática.
A distribuição da proficiência em Matemática apresenta maior dispersão dos resultados
quando comparada às demais áreas, indicando diferenças mais acentuadas no domínio dos
conteúdos avaliados.
Figura 5.
Histograma da proficiência na área de Ciências da Natureza
Nota. Dados da pesquisa.
A Figura 5 segue os mesmos princípios metodológicos das demais figuras, apresentando
a distribuição das proficiências na área de Ciências da Natureza.
Em Ciências da Natureza, observa-se concentração significativa de estudantes em níveis
médios de proficiência, acompanhada por menor frequência de estudantes nas faixas superiores
da escala.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 17
Figura 6.
Ganho de performance relativo por disciplina
Nota. Dados da pesquisa.
A Figura 6 ilustra o ganho de performance relativo dos alunos, categorizado conforme
os níveis de proficiência — baixa, média e alta — para os períodos 3 (T1) e 4 (T2). As barras
representam a média do ganho de desempenho em cada uma dessas categorias, proporcionando
uma visão detalhada da evolução acadêmica dos estudantes ao longo dos bimestres analisados.
Além disso, as linhas verticais que acompanham as barras indicam os intervalos de
confiança, garantindo um nível de confiança de 95%. Esse resultado sugere que os dados
obtidos possuem alta confiabilidade, demonstrando consistência na análise e minimizando a
influência de variáveis externas.
Figura 7.
Ganho de performance relativo por trilha (Bimestre 3 e 4)
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 18
Nota. Dados da pesquisa.
A Figura 7 demonstra que o uso da plataforma proporcionou um ganho médio relativo
de aproximadamente 49%, considerando todos os níveis de proficiência (baixa, média e alta) e
todas as disciplinas, nos dois períodos avaliados. O resultado observado em diferentes níveis
de proficiência aponta para um melhor desempenho nas avaliações dos alunos que receberam a
intervenção pedagógica proporcionada pela plataforma, indicando que a utilização da
ferramenta contribuiu para a melhoria do desempenho acadêmico, independentemente do ponto
de partida, em termos de habilidade.
A presença de ganhos ao longo dos distintos níveis de proficiência e em dois períodos
consecutivos indica a efetividade do suporte educacional personalizado proporcionado pela
plataforma. A abordagem adaptativa permite potencializar a aprendizagem ao longo da jornada
acadêmica dos alunos, fornecendo um ambiente de ensino mais dinâmico e alinhado às
necessidades individuais.
DISCUSSÃO
Esta pesquisa analisou os efeitos de uma intervenção pedagógica mediada por
Inteligência Artificial no processo de ensino-aprendizagem, utilizando indicadores
quantitativos e qualitativos. A investigação foi estruturada em dimensões analíticas que
permitiram compreender, de forma segmentada, os múltiplos aspectos envolvidos,
considerando a evolução do rendimento acadêmico, a adesão ao roteiro de estudos, o
engajamento com as atividades e a percepção sobre a aplicabilidade das estratégias utilizadas.
Os resultados indicaram uma evolução positiva no desempenho dos estudantes nas duas
turmas analisadas, com maior destaque para a unidade de São Luís, onde a adesão ao roteiro foi
mais intensa e consistente. Além do aumento da média geral, foi possível identificar melhora
no domínio de competências específicas, como interpretação de texto, resolução de problemas
e aplicação de conceitos matemáticos em situações contextualizadas, sugerindo que a
personalização do ensino mediada por algoritmos de IA contribuiu para atender melhor às
lacunas individuais de aprendizagem.
Contudo, alguns estudantes mantiveram desempenho abaixo do esperado, o que esteve
associado a fatores como baixa adesão ao roteiro, dificuldades de concentração e lacunas pré-
existentes no processo formativo. Esses achados reforçam que a tecnologia, por si só, não
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 19
garante a aprendizagem, sendo necessário o acompanhamento pedagógico contínuo por parte
dos professores e o fortalecimento de estratégias motivacionais. A análise revelou a
complexidade do processo de aprendizagem em contextos mediados por tecnologia,
reafirmando o papel insubstituível do professor.
O engajamento dos estudantes constituiu uma variável central na análise, influenciando
diretamente a efetividade da intervenção pedagógica. Em São Luís (MA), observou-se maior
adesão ao roteiro, com estudantes acessando a plataforma com frequência e demonstrando
constância na execução das atividades. Em Ananindeua (PA), a adesão foi mais heterogênea,
com alguns estudantes mantendo uma rotina de acesso compatível com o planejado, enquanto
outros apresentaram envolvimento limitado, relacionado a fatores como acesso limitado à
internet em casa e ausência de dispositivos individuais.
Aspectos qualitativos revelaram que muitos alunos demonstraram entusiasmo no início,
mas apresentaram dificuldades em manter a constância ao longo das semanas, especialmente
em períodos coincidentes com avaliações presenciais mais intensas. Observou-se que a turma
cujo professor acompanhava a evolução dos alunos mais de perto — comentando resultados,
incentivando o cumprimento de etapas e integrando o roteiro ao conteúdo em sala de aula —
apresentou maior engajamento, reforçando a importância da mediação docente como elemento
fundamental na motivação dos estudantes.
As evidências observadas indicaram diferentes níveis de familiaridade, interesse e
autonomia por parte dos estudantes. Notou-se receptividade especialmente positiva entre alunos
com maior domínio de recursos digitais e organização nos estudos, os quais acessaram a
plataforma com constância e demonstraram avanços ao longo do processo.
Em contrapartida, foram observados estudantes com baixa participação nas atividades
digitais mesmo tendo acesso à plataforma. Os relatos informais de professores indicam que a
personalização do roteiro contribuiu para maior clareza nos objetivos de estudo e para a
organização do tempo, com alunos se sentindo mais confiantes ao visualizar seu progresso.
Contudo, também foram observadas dificuldades relacionadas ao tempo de adaptação exigido
pela proposta, especialmente entre estudantes acostumados a modelos tradicionais de ensino. A
transição para um formato em que o estudante assume papel mais ativo revelou resistência por
parte de alguns estudantes, reforçando a importância de um processo gradual de adaptação com
ações de orientação e apoio contínuo.
Embora os resultados gerais tenham apontado avanços relevantes, é imprescindível
destacar as limitações da intervenção. A autonomia exigida pela proposta mostrou-se um
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 20
desafio para alguns estudantes, sobretudo aqueles acostumados a um modelo mais diretivo. O
papel do professor no processo de mediação revelou-se crucial: nos contextos em que os
professores realizaram acompanhamento sistemático e contínuo, os resultados pedagógicos
foram mais positivos. Em contrapartida, quando esse acompanhamento ocorreu de maneira
pontual ou esporádica, verificou-se uma perda na continuidade do processo.
A limitação temporal da intervenção também foi relevante. O período de aplicação,
embora suficiente para observar tendências, não foi longo o bastante para avaliar os efeitos de
médio e longo prazo. A continuidade do uso da plataforma ao longo de um ano letivo completo
permitiria uma análise mais robusta dos impactos pedagógicos. Essas limitações evidenciam a
complexidade da inserção de recursos tecnológicos na prática pedagógica, demandando
planejamento cuidadoso, mediação qualificada e atenção constante às desigualdades de acesso.
Os dados indicam que os alunos que utilizaram as trilhas de aprendizagem
personalizadas apresentaram aumento significativo nas taxas de acerto em avaliações. Esses
achados corroboram a literatura que destaca a eficácia de plataformas adaptativas, como
discutido em Educação para a era da inteligência artificial (Fadel et al., 2024), que aborda
como a IA pode personalizar o ensino para atender às necessidades individuais dos alunos.
Observou-se que alunos com alta e média proficiência inicial tiveram ganhos mais
expressivos, enquanto aqueles com baixa proficiência apresentaram progressos mais modestos.
Essa tendência sugere que, embora a personalização beneficie a maioria dos estudantes, alunos
com maiores dificuldades podem necessitar de suporte adicional. Essa observação está alinhada
com as discussões presentes em Educação e Plataformas digitais: popularizando saberes,
potencialidades e controvérsias (Alves & Lopes, 2024), que abordam as potencialidades e os
desafios das plataformas digitais na educação.
A eficácia de plataformas de aprendizagem personalizadas é amplamente discutida na
literatura recente. O livro Plataformas adaptativas na educação (Assis et al., 2023) destaca que
a utilização de plataformas adaptativas permite uma experiência de aprendizagem
personalizada, atendendo às necessidades específicas de cada aluno e promovendo um
aprendizado mais eficaz. Além disso, Inteligência artificial na educação: rumo a uma
aprendizagem personalizada (Barbosa et al., 2023) explora como a IA pode ser aplicada na
educação para criar ambientes de aprendizagem adaptativos, capazes de ajustar o conteúdo e o
ritmo de ensino de acordo com o desempenho e as preferências de cada aluno.
A observação direta da intervenção revelou que a tecnologia não atua de forma
autônoma ou neutra no processo educacional. Seu impacto depende diretamente de como é
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 21
mediada pelo professor, compreendida pelos alunos, contextualizada pelas instituições e
respaldada pelos pais. A personalização oferecida pela IA representa uma inovação importante,
mas sua efetividade está condicionada ao nível de engajamento dos estudantes, à formação dos
docentes e à infraestrutura disponível.
Mesmo em escolas privadas, a equidade no acesso às condições tecnológicas continua
sendo um desafio relevante. A existência de alunos com acesso restrito a dispositivos e à
internet fora do ambiente escolar compromete a continuidade dos estudos personalizados,
ampliando desigualdades já existentes no sistema educacional. Isso aponta para a necessidade
de que o uso de IA na educação seja compreendido não apenas como inovação técnica, mas
também como política pública.
A exigência de autonomia por parte dos estudantes impõe novos desafios à cultura
escolar. Nem todos os alunos demonstraram maturidade ou segurança para gerenciar suas
próprias trilhas de aprendizagem sem acompanhamento constante do professor, reforçando a
importância da atuação docente como fator insubstituível. O professor assume o papel de
curador de conteúdos, mentor do processo e responsável por orientar os estudantes.
Outro aspecto relevante diz respeito à avaliação da aprendizagem. Embora a plataforma
utilize algoritmos baseados na Teoria de Resposta ao Item (TRI), o uso de dados de desempenho
precisa ser analisado com cautela para que não haja redução da aprendizagem à mensuração de
resultados. A IA pode auxiliar no diagnóstico, mas o entendimento integral do processo
formativo continua a exigir sensibilidade pedagógica e análise qualitativa dos contextos de cada
estudante.
Embora os indicadores de desempenho utilizados neste estudo estejam fundamentados
em avaliações padronizadas e em métricas derivadas da Teoria de Resposta ao Item, reconhece-
se que a aprendizagem não pode ser reduzida exclusivamente aos resultados obtidos em testes.
O desenvolvimento de competências socioemocionais, do pensamento crítico, da criatividade,
da autonomia intelectual e da capacidade de resolução de problemas complexos transcende os
indicadores quantitativos utilizados nesta pesquisa. Assim, os resultados apresentados devem
ser interpretados como evidências relacionadas ao desempenho acadêmico mensurável, não
representando a totalidade dos processos formativos envolvidos na educação.
Nesse sentido, a personalização promovida pela plataforma não foi compreendida como
um mecanismo destinado exclusivamente à preparação para avaliações, mas como uma
estratégia de identificação de lacunas de aprendizagem e direcionamento de intervenções
pedagógicas mais individualizadas. Ainda assim, futuras pesquisas poderão ampliar essa
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 22
análise incorporando indicadores qualitativos relacionados ao desenvolvimento integral dos
estudantes.
Por fim, é necessário destacar que a inserção da IA na educação ainda está em fase de
consolidação e experimentação em muitos contextos escolares. A tecnologia deve ser
compreendida como meio, e não como fim. Sua real potência está em apoiar a construção de
um ensino mais equitativo, flexível e centrado no estudante, desde que acompanhada de
formação docente contínua, infraestrutura adequada e políticas educacionais comprometidas
com a inclusão e a qualidade do ensino.
CONSIDERAÇÕES FINAIS
Esta pesquisa estudou os impactos da implementação de uma plataforma educacional
baseada em Inteligência Artificial na personalização do ensino para alunos do 9º ano do Ensino
Fundamental em duas escolas privadas brasileiras, localizadas nas regiões Norte e Nordeste. Os
resultados evidenciaram que as trilhas de aprendizagem personalizadas contribuíram para o
aprimoramento da proficiência dos estudantes, independentemente de seu nível de
conhecimento prévio.
A sistematização de conteúdos orientada por algoritmos adaptativos permitiu identificar
dificuldades individuais e oferecer suporte pedagógico mais adequado. A personalização
proporcionada pela IA influenciou positivamente os índices de acertos nas avaliações,
especialmente entre estudantes que aderiram com constância à proposta. O acompanhamento
individualizado viabilizado pelos relatórios da plataforma permitiu ajustes pedagógicos mais
precisos, fortalecendo o papel do professor como mediador e facilitador do processo de
aprendizagem.
De forma concreta, o uso da plataforma proporcionou um ganho médio relativo de
aproximadamente 49%, considerando todos os níveis de proficiência e todas as disciplinas ao
longo dos dois períodos avaliados. Além disso, observou-se o desenvolvimento de habilidades
como autogestão, tomada de decisão e autorregulação, essenciais para a formação de aprendizes
mais críticos e autônomos.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 23
Limitações do Estudo
Entre as limitações deste estudo destacam-se o número reduzido de instituições
participantes, a concentração da análise em escolas privadas pertencentes à mesma rede
educacional, o período relativamente curto de intervenção e a impossibilidade de controle de
variáveis externas potencialmente associadas ao desempenho acadêmico, tais como
características docentes, condições de infraestrutura, contexto socioeconômico, apoio familiar
e níveis de engajamento individual dos estudantes. Dessa forma, os resultados observados não
devem ser atribuídos exclusivamente ao uso da Inteligência Artificial, mas devem ser
interpretados dentro de um conjunto mais amplo de fatores que influenciam os processos
educacionais.
Recomenda-se que futuras investigações utilizem amostras mais amplas, abranjam
diferentes contextos educacionais e adotem metodologias complementares, incluindo
abordagens qualitativas, a fim de aprofundar a compreensão sobre os impactos da Inteligência
Artificial na aprendizagem.
Os resultados desta pesquisa demonstram o potencial das soluções tecnológicas para o
fortalecimento da aprendizagem, reiterando a importância de se pensar a educação do século
XXI de forma ética, crítica, humanizada e comprometida com a inclusão e a qualidade. Espera-
se que os resultados aqui apresentados possam subsidiar futuras iniciativas, fomentar o debate
sobre o uso responsável da tecnologia na educação e contribuir para a construção de práticas
pedagógicas mais inovadoras, eficazes e sensíveis às necessidades dos sujeitos envolvidos no
processo educativo.
Inteligência artificial na educação: como algoritmos adaptativos podem elevar o desempenho acadêmico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 24
REFERÊNCIAS
Alves, L., & Lopes, D. (2024). Educação e plataformas digitais: Popularizando saberes,
potencialidades e controvérsias. EDUFBA.
Anderson, J., & Rainie, L. (2018). The future of well-being in a tech-saturated world (Vol. 17).
Pew Research Center. https://www.pewresearch.org
Andrade, F. D., Tavares, R. H., & Valle, C. R. (2000). Teoria da resposta ao item: Conceitos e
aplicações.
Assis, A. H. S. de, Dourado, D., Burani, G. A., Silva, I. F. da, Araújo, J. B. de, & Costa, L. A.
da. (2023). Plataformas adaptativas na educação. Pimenta Cultural.
https://doi.org/10.31560/pimentacultural/2023.97488
Baker, F. B. (2001). The basics of item response theory. ERIC Clearinghouse on Assessment
and Evaluation.
Barbosa, L., Souza, P., Antonio, G., Joerke, O., Macedo, Y. M., Ferreira Vale, R., De Pádua, A.,
Oliveira, J., Suarez, M., Santo, D., Gomes, C. A., Cristina, S., Gomes, V., Alberti, R.,
Flávio, J., & Paz, D. (2023). Inteligência artificial na educação: Rumo a uma
aprendizagem personalizada. IOSR Journal of Humanities and Social Science, 28(5),
19–25. https://doi.org/10.9790/0837-2805031925
Carbonell, J. R. (1970). An artificial-intelligence approach to computer-assisted instruction.
IEEE Transactions on Man-Machine Systems, 11(4), 190–202.
Fadel, C., Black, A., Taylor, R., Slesinski, J., & Dunn, K. (2024). Educação para a era da
inteligência artificial (1ª ed.). Todos pela Educação; Moderna.
Fisher, J. (2010). Development and application of a spiritual well-being questionnaire called
SHALOM. Religions, 1(1), 105–121. https://doi.org/10.3390/rel1010105
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promise and
implications for teaching and learning. Center for Curriculum Redesign.
https://www.researchgate.net/publication/332180327
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An
argument for AI in education. Pearson.
Papert, S. (1993). Mindstorms: Children, computers, and powerful ideas (2nd ed.). Basic
Books.
Sleeman, D., & Brown, J. S. (Eds.). (1982). Intelligent tutoring systems. Academic Press.
UNESCO. (2024). Global education monitoring report 2024/5: Leadership in education – Lead
for learning. UNESCO. https://unesdoc.unesco.org
UNICEF, UNESCO, & International Telecommunication Union. (2020). The digital
transformation of education: Connecting schools, empowering learners.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 25
Wolins, L., Wright, B. D., & Rasch, G. (1982). Probabilistic models for some intelligence and
attainment tests. Journal of the American Statistical Association, 77(377), 482–483.
https://doi.org/10.2307/2287805
Woolf, B. P. (2009). Building intelligent interactive tutors: Student-centered strategies for
revolutionizing e-learning. Elsevier.
I nt eli g ê n ci a artifi ci al n a e d u c a ç ã o: c o m o al g orit m os a d a pt ati v os p o d e m ele v ar o d es e m p e n h o ac a d ê mic o
R P G E – R e vist a o n li n e d e P olíti c a e G est ã o E d u c a ci o n al , Ar ar a q u ar a, v. 3 0 , n. 0 0, e 0 2 6 0 5 6 , 2 0 2 6 . e-I S S N: 1 5 1 9 -9 0 2 9
D OI: 1 0. 2 2 6 3 3/r p g e. v 3 0i 0 0. 2 1 2 5 4 2 6
C R e di T A ut h or St at e m e nt
R e c o n h e ci m e nt os : U N A S P -E C.
Fi n a n ci a m e nt o : N ã o.
C o nflit os d e i nt e r ess e: N ã o h á c o nflit os d e i nt er ess e.
A p r o v a ç ã o éti c a : N ã o s e a pli c a. A p es q uis a r es p eit o u os pri n cí pi os éti c os a pli c á v eis à
pr o d u ç ã o ci e ntífi c a. F or a m utili z a d os e x cl usi v a m e nt e d a d os s e c u n d ári os e i nf or m a ç õ es
i nstit u ci o n ais, s e m i d e ntifi c a ç ã o d os p arti ci p a nt es, n ã o h a v e n d o c ol et a dir et a d e d a d os j u nt o
a s er es h u m a n os. D ess a f or m a, o est u d o n ã o s e e n q u a dr o u n as sit u a ç õ es q u e e xi g e m
a pr e ci a ç ã o p or C o mit ê d e Éti c a e m P es q uis a, c o nf or m e a r e g ul a m e nt a ç ã o vi g e nte.
Dis p o ni bili d a d e d e d a d os e m at e ri al : Os d a d os q u e s ust e nt a m os r es ult a d os d est a p es q uis a
n ã o est ã o dis p o ní v eis e m re p osit óri o p ú bli c o, m as p o d er ã o ser dis p o ni bili z a d os p el o a ut or
c orr es p o n d e nt e m e di a nte s oli cit a ç ã o r a z o á v el e o bs er v a d as as q u est õ es éti c as e d e
c o nfi d e n ci ali d a d e a pli c á v eis .
C o nt ri b ui ç õ es d os a ut o r es : M ar c el o Sil v a ( c ol et a d e d a d os; a n ális e e i nt er pr et a ç ã o d os
d a d os; r e d a ç ã o d o t e xt o); H el e n a B. Vi a n a ( c o n c e p ç ã o d as i d ei as i ni ci ais, a n ális e d os d a d os
e r e vis ã o fi n al d o t e xt o), Er n a n d es R. N as ci m e nt o ( C o ntri b ui ç ã o d o r ef er e n ci al t e óri c o,
r e vis ã o p ar ci al d o t e xt o) e Cristi n a Z. Ta v ar es ( v ali d a ç ã o e r e vis ã o d o t e xt o).
P r o c ess a m e nt o e e dit o r a ç ã o: E dit o r a I b e r o-A m e ri c a n a d e E d u c a ç ã o
R e vis ã o, f or m at a ç ã o, n or m ali z a ç ã o e tr a d u ç ã o
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 1
ARTIFICIAL INTELLIGENCE IN EDUCATION: HOW ADAPTIVE ALGORITHMS
CAN ENHANCE ACADEMIC PERFORMANCE
INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: COMO ALGORITMOS
ADAPTATIVOS PODEM ELEVAR O DESEMPENHO ACADÊMICO
INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN: CÓMO LOS ALGORITMOS
ADAPTATIVOS PUEDEN ELEVAR EL RENDIMIENTO ACADÉMICO
Marcelo de Queiroz Silva MATOS
1
e-mail: celoiasp@hotmail.com
How to reference this paper:
Matos, M. Q. S., Viana, H. B., Nascimento, E. R., & Tavares, C. Z.
(2026). Artificial intelligence in education: how adaptive
algorithms can enhance academic performance. Revista on line de
Política e Gestão Educacional, 30, e026056.
https://doi.org/10.22633/rpge.v30i00.21254
| Submitted: 15/04/2026
| Revisions required: 23/04/2026
| Approved: 14/06/2026
| Published: 26/06/2026
Editor:
Prof. Dr. Sebastião de Souza Lemes
Deputy Executive Editor:
Prof. Dr. José Anderson Santos Cruz
1
Adventist University Center of São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brazil. School
Director at the Adventist Association of Vale do Paraíba.
2
Adventist University Center of São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brazil. Permanent
Professor in the Graduate Program in Education.
3
European University of Lisbon, Lisbon – Brazil. Assistant Professor.
4
Adventist University Center of São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brazil. Permanent
Professor in the Graduate Program in Education.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 2
ABSTRACT: This study evaluated the impact of a pedagogical intervention mediated by
Artificial Intelligence (AI) and adaptive algorithms on the academic performance of 9th-grade
elementary school students in two private schools located in Ananindeua (PA) and São Luís
(MA). A comparative study was conducted between a test group, which used personalized
learning pathways on an AI-based platform, and a control group, subjected to traditional
methodology. The analysis of the results utilized data from the Adventist Basic Education
Evaluation Program (PAAEB) and indicators based on Item Response Theory (IRT). The results
showed advances in proficiency levels in Portuguese Language and Mathematics, as well as an
average relative gain of approximately 49% in the performance of the students monitored by
the platform. It is concluded that AI can contribute to the personalization of teaching, provided
it is associated with active pedagogical mediation and continuous student monitoring.
KEYWORDS: Artificial Intelligence. Educational Technology. Personalized learning.
RESUMO: Este estudo avaliou o impacto de uma intervenção pedagógica mediada por
Inteligência Artificial (IA) e algoritmos adaptativos no desempenho acadêmico de estudantes
do 9º ano do Ensino Fundamental de duas escolas privadas localizadas em Ananindeua (PA)
e São Luís (MA). Foi realizado um estudo comparativo entre o grupo teste, que utilizou trilhas
personalizadas de aprendizagem em plataforma baseada em IA, e o grupo controle, submetido
à metodologia tradicional. A análise dos resultados utilizou dados do Programa Adventista de
Avaliação da Educação Básica (PAAEB) e indicadores fundamentados na Teoria de Resposta
ao Item (TRI). Os resultados apontaram avanços nos níveis de proficiência em Língua
Portuguesa e Matemática, além de um ganho médio relativo de aproximadamente 49% no
desempenho dos estudantes acompanhados pela plataforma. Conclui-se que a IA pode
contribuir para a personalização do ensino, desde que associada à mediação pedagógica ativa
e ao acompanhamento contínuo dos estudantes.
PALAVRAS-CHAVE: Inteligência Artificial. Tecnologia Educacional. Aprendizagem
personalizada.
RESUMEN: Este estudio evaluó el impacto de una intervención pedagógica mediada por
Inteligencia Artificial (IA) y algoritmos adaptativos en el rendimiento académico de estudiantes
de 9º año de la Educación Primaria en dos escuelas privadas ubicadas en Ananindeua (PA) y
São Luís (MA). Se realizó un estudio comparativo entre un grupo de prueba, que utilizó
trayectorias personalizadas de aprendizaje en una plataforma basada en IA, y un grupo de
control, sometido a la metodología tradicional. El análisis de los resultados utilizó datos del
Programa Adventista de Evaluación de la Educación Básica (PAAEB) e indicadores
fundamentados en la Teoría de Respuesta al Ítem (TRI). Los resultados señalaron avances en
los niveles de competencia en Lengua Portuguesa y Matemáticas, además de una ganancia
media relativa de aproximadamente el 49% en el rendimiento de los estudiantes acompañados
por la plataforma. Se concluye que la IA puede contribuir a la personalización de la enseñanza,
siempre que esté asociada a la mediación pedagógica activa y al seguimiento continuo de los
estudiantes.
PALABRAS CLAVE: Inteligencia Artificial. Tecnología Educativa. Aprendizaje
personalizado.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 3
INTRODUCTION
Artificial Intelligence (AI) has impacted nearly every sector of human life, including
education. The integration of AI into educational settings has evolved from rudimentary
applications to sophisticated systems capable of personalizing learning and optimizing the
teaching-learning process. At the same time, its use also raises concerns regarding teacher
training, the minimum infrastructure required by schools and universities, and ethical issues,
such as misuse and excessive dependence on AI-based platforms.
The roots of Artificial Intelligence in education date back to the 1960s (Papert, 1993),
when researchers began exploring the potential of machines to automate pedagogical processes.
During this period, Intelligent Tutoring Systems (ITS) were developed with the aim of
providing students with automated feedback by simulating interactions with a teacher in
controlled environments. Sleeman, Brown, and Auguste (1982) note that, although innovative
at the time, these systems relied on predefined rules and programmed algorithms, which limited
their ability to effectively personalize instruction.
Throughout the 1970s and 1980s, research in AI for education advanced with the
development of more sophisticated systems capable of modeling students’ knowledge and
adapting instructional content to their individual progress (Luckin et al., 2016a). One pioneering
example was the SCHOLAR system, developed by Jaime Carbonell in 1970, which employed
AI to teach geography. Carbonell (1970) explains that SCHOLAR introduced a dialogue-based
model that enabled students to interact with the system, ask questions, and receive personalized
responses, representing a significant step toward adaptive learning.
With the advancement of the digital era and the exponential increase in data availability,
Artificial Intelligence assumed a central role in adapting curricula to individual educational
needs. The Data Revolution enabled the collection, analysis, and interpretation of vast amounts
of information, making it possible to tailor educational systems to the specific needs of each
student. In this context, AI became an indispensable tool for creating adaptive learning
environments, in which instructional content and learning pace are adjusted according to
students’ performance and individual preferences. Large-scale data analysis has enabled
educators to identify behavioral patterns and adapt instruction to the specific characteristics of
each student (Anderson & Rainie, 2018).
The analysis of large volumes of data has driven the development of educational
systems based on adaptive learning, which employ AI algorithms to continuously monitor
students’ progress and adjust instructional content according to their performance. These
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 4
systems provide personalized learning materials tailored to each student’s learning pace,
facilitating the identification of areas that require additional attention. This approach,
considered one of the most innovative in the field of education, enables advanced levels of
personalization, in which each student follows an individualized learning pathway. This model
has proven effective in subjects such as mathematics, science, and languages, where progress
can be monitored in real time and adjusted with precision, promoting a more efficient
educational experience focused on each student’s individual needs (Woolf, 2009).
The use of data to personalize education has brought about significant changes in the
role of teachers. Although AI has automated several aspects of teaching, it also serves as a
crucial support tool by providing educators with detailed insights into students’ progress.
Through the data generated by AI-based systems, teachers can more accurately identify
students’ learning difficulties and intervene in a targeted and effective manner. This integration
of AI and pedagogical practice enables personalized learning at scale, providing educators with
resources to tailor their interventions to each student’s specific needs. This model combines
automation with personalized pedagogy, creating opportunities to transform both teaching and
learning (Luckin et al., 2016).
As the Data Revolution advances, the possibilities for personalization in education
continue to expand, promising more inclusive and effective educational experiences. However,
the use of AI and large-scale data in education also raises ethical concerns, particularly
regarding the privacy of students’ data. It is imperative that these innovations be implemented
responsibly, ensuring that the information collected is used to benefit students without
compromising their privacy. As these technologies continue to evolve, the future of
personalized education appears promising, offering new pathways toward more individualized,
student-centered instruction.
In the field of educational assessment, educational data analytics systems play a crucial
role in helping teachers and administrators gain a comprehensive understanding of students’
academic performance. Combined with AI, these tools enable continuous monitoring of
academic progress, early identification of learning difficulties, and curriculum adaptation to
students’ specific needs. In addition to providing valuable insights into the educational process,
these technologies support more precise and effective pedagogical interventions, ensuring
instruction that is better aligned with individual learning needs.
Modern AI tools in education are reshaping the way knowledge is transmitted and
constructed, fostering an increasingly inclusive educational environment tailored to students’
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 5
needs. Although the use of AI in educational settings offers numerous advantages, it also
requires an ethical approach, particularly with regard to data privacy. It is essential that these
tools be used responsibly, ensuring that the primary focus remains on students’ holistic
development and on supporting educators’ work. As a result, AI tools continue to evolve,
redefining the educational landscape and creating new opportunities for personalized learning
(Luckin et al., 2016; Woolf, 2009; Fadel et al., 2024).
Recent studies indicate that Artificial Intelligence-based systems can foster the
personalization of teaching by providing real-time feedback, identifying learning gaps, and
adapting instructional content to students’ profiles. These characteristics have been associated
with improvements in student engagement and individualized monitoring of the learning
process (Fadel et al., 2024; Holmes et al., 2019; UNESCO, 2024; UNICEF et al., 2020).
Against this background and considering the opportunities offered by AI in education,
this study sought to evaluate students’ academic performance following the implementation of
an Artificial Intelligence-mediated pedagogical intervention in two private schools located in
distinct regional contexts: one in Ananindeua, Pará, in Northern Brazil, and the other in São
Luís, Maranhão, in Northeastern Brazil.
In the schools included in this study, students from the 5th to the 9th grades of
elementary education are assessed annually through the PAAEB (Adventist Basic Education
Assessment Program) in Portuguese Language and Mathematics. Students in the 2nd year of
secondary education are also assessed in these two subjects and, additionally, in the areas of
Natural Sciences and Their Technologies, Languages, Codes and Their Technologies,
Mathematics and Its Technologies, and Human Sciences and Their Technologies. In addition to
the assessments, a complementary questionnaire completed by teachers and students is
administered to identify external factors that may influence academic performance.
The Adventist Basic Education Assessment Program (PAAEB) is an institutional
assessment system used by the Adventist Education Network to monitor students’ learning
indicators and academic performance. The program employs reference matrices aligned with
the competencies and skills established for each educational stage and adopts a methodology
based on Item Response Theory (IRT), enabling longitudinal comparisons of results and the
classification of students into proficiency levels. In addition to cognitive assessments,
contextual questionnaires are administered to identify factors associated with school
performance.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 6
The results are classified based on students’ average scores and presented according to
proficiency levels (as shown in the Proficiency Scale tables below). In Portuguese Language,
scores ranging from 200 to 274 correspond to Levels 1–3, classified as Basic Proficiency; scores
from 275 to 324 correspond to Levels 4 and 5, classified as Proficient; and scores from 325 to
400 correspond to Levels 6–8, classified as Advanced Proficiency.
In Mathematics, scores ranging from 200 to 299 correspond to Levels 1–4, classified as
Basic Proficiency; scores from 300 to 349 correspond to Levels 5 and 6, classified as Proficient;
and scores from 350 to 425 correspond to Levels 7 and 8, classified as Advanced Proficiency.
The PAAEB results for the 9th-grade classes from both school units were analyzed for the years
2022 and 2023, with 2022 serving as the baseline year prior to the study and 2023 corresponding
to the year in which the technology was implemented in the selected classes. In both school
units, the PAAEB indicators revealed changes in proficiency levels over the period analyzed,
from 2022 to 2023.
In the analysis of Portuguese Language proficiency, the São Luís (MA) school unit
showed the greatest improvement between the assessments administered in 2022 and 2023,
moving out of the Basic Proficiency category (Level 3) and achieving average scores that placed
it in the Proficient category (Level 4), with an increase of 16 points. The Ananindeua (PA)
school unit recorded an increase of 12.1 points; however, it remained at the same proficiency
level (Level 4 – Proficient).
The analysis of the Mathematics data showed that both school units improved, moving
from the Basic Proficiency category to the Proficient category. The greatest increase was
observed in the Ananindeua (PA) school unit, with a gain of 38.1 points, moving from Level 4
(Basic Proficiency) to Level 6 (Proficient), just one point below the Advanced Proficiency
category. At the São Luís (MA) school unit, an increase of 11.1 points resulted in classification
at Level 5 (Proficient). These findings reflect the academic performance achieved by the classes
analyzed; however, it is recognized that variables such as teacher support, technological
infrastructure, and socioeconomic context also influence the results.
METHODOLOGICAL PROCEDURES
For data collection, the students were divided into two main groups: the Test Group,
composed of students who used the platform’s personalized learning pathways, designed based
on previously collected data; and the Control Group, composed of students who followed the
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 7
school’s regular teaching methodology without access to the Artificial Intelligence platform.
The 9th grade was selected for this analysis for the following reasons: (a) authorization from
the company that owns the technology platform limited exclusively to this grade level; (b) the
existence of two classes at each school unit, a prerequisite for the comparative analysis; and (c)
the 9th grade represents the transition from elementary to secondary education, and the use of
the platform by more academically mature students allows for a more reliable analysis of the
results.
For the Test Group, which used the platform, the class with the lower level of academic
proficiency was selected and was designated in this study as Class B. For the Control Group,
which did not use the platform, the class with the higher level of academic performance was
selected and designated as Class A.
This selection aimed to obtain more robust evidence regarding the impact of the
platform on students’ academic performance. The study was based on the following hypothesis:
if the psychometric analysis and the personalized learning pathways proved effective, Class B
(Test Group) would demonstrate improvements in academic performance, narrowing the gap
with—or even matching—the performance of Class A (Control Group.
Although Class A (Control Group) did not use the platform during the learning
activities, students in this group completed the same assessments, as the platform allowed the
tests to be printed for administration to the Control Group. All students completed the study,
with no participant attrition during the research period, probably because the use of the platform
was integrated into the school’s assessment system. The intervention was carried out throughout
the second semester of 2023 and comprised the stages described in Table 1.
Table 1.
Stages of Platform Implementation
Data
Activity
Description
16/08/23
Implementation Planning
Meeting
Initial meeting to define the goals, implementation stages, and
expectations for the platform rollout.
22/08/23
29/08/23
Teacher Training Workshop
Teacher training and development of assessments within the
platform.
27/08/23
Submission of Student
Essays
Collection of student essays for the extraction of cognitive and
behavioral data.
04/09/23
17/09/23
Student Orientation Session
Period during which students interacted with the platform,
including completion of personalized learning pathways.
05/09/23
Submission of PDF Files for
Printing
Preparation and submission of assessment PDF files for
printing.
18/09/23
22/09/23
Administration of Paper-
Based Assessment
Administration of paper-based assessments and submission of
answer sheets for scoring.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 8
28/09/23
Presentation of Results
Presentation of the results obtained and evaluation of the pilot
implementation of the platform.
Note. Research data.
Data collection was planned and carried out to obtain accurate and comprehensive
information on students’ academic performance. To this end, two main data sources were used:
1. AI Platform: The platform constituted both the object of the study and the primary data
collection instrument, recording students’ cognitive, psychometric, pedagogical, and behavioral
data. Its algorithms analyzed students’ interactions, generating detailed predictive reports; 2.
Mock Assessments: Mock assessments developed with the support of the platform were
administered to both the Test Group and the Control Group. These assessments served as the
basis for measuring students’ progress throughout the academic term.
ETHICAL CONSIDERATIONS
The study was conducted using educational data generated within the context of regular
school activities. All participating students were officially enrolled in the institutions involved
and took part in the pedagogical activities established for their respective grade levels. For the
purposes of scientific analysis, the data were aggregated and anonymized, ensuring that no
participant could be individually identified. No sensitive data were disclosed. Students’
participation occurred within the scope of the regular educational activities carried out by the
participating schools and the platform used in the study, while the principles of confidentiality
and data protection were fully observed.
PROFICIENCY ANALYSIS METHODOLOGY
In the present study, students’ academic performance was analyzed based on Item
Response Theory (IRT). Item Response Theory was developed from the work of Georg Rasch,
Birnbaum, and Lord during the 1950s and 1960s. It is based on statistical modeling to examine
the relationship between an individual’s proficiency and their responses to test items. The theory
allows students to be classified into three distinct proficiency levels (Wolins et al.,1982):
High Proficiency: This group consists of students with a high level of ability, exhibiting
a significantly greater probability of correctly answering the most complex and challenging test
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 9
items. Within the IRT framework, this level of proficiency is characterized by a high estimate
of the latent ability trait, enabling these students to solve problems that most other participants
consider difficult (Baker, 2001).
Medium Proficiency: Students in this group demonstrate a moderate rate of correct
responses, successfully answering items of intermediate difficulty while experiencing greater
difficulty with more challenging questions. In the graphical representation of IRT, these
individuals are positioned in the central region of the item characteristic curve, with an
approximate 50% probability of correctly answering items of average difficulty (Baker, 2001).
Low Proficiency: Students classified at this level experience significant learning
difficulties and have a reduced probability of correctly answering even relatively easy
questions. Within the IRT framework, they are characterized by low estimates of the latent
ability trait, indicating a greater need for educational support and targeted pedagogical
interventions (Andrade et al., 2000).
This classification provided a more detailed understanding of the platform’s impact on
different student profiles, enabling the development of more effective strategies tailored to each
proficiency group.
ARTIFICIAL INTELLIGENCE-BASED ESTIMATION
The estimation of students’ proficiency levels was made possible through the Artificial
Intelligence (AI) technology embedded in the educational platform. The solution demonstrated
the ability to identify and classify students’ proficiency levels based on a limited number of
interactions with assessment items. This capability overcomes the limitations of traditional
assessment methods by providing a more refined and accurate analysis of academic
performance.
The methodology employed by the platform to estimate students’ proficiency is based
on Item Response Theory (IRT), applied in an expanded manner to a broader context within the
subject area under analysis. Proficiency can be understood as a student’s ability to master a
given set of knowledge and skills, inferred from a sample of assessment items. Considering that
a curriculum framework may encompass hundreds of topics, while a traditional assessment
covers only a fraction of this content, the platform employs a statistical model to infer students’
overall knowledge based on their responses to a subset of assessment items.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 10
The estimation process consists of two main stages: direct measurements and statistical
inferences. Initially, direct measurements correspond to students’ responses to specific activities
within the platform, such as exercises, tests, or structured learning tasks. Each correct or
incorrect response constitutes concrete evidence of the student’s level of knowledge regarding
the topic being assessed. Based on these direct measurements, statistical inferences are then
applied to extrapolate the results to other related topics. This process is based on the principle
that certain areas of knowledge exhibit logical interdependencies. For example, if a student
demonstrates mastery of quadratic equations, it is statistically likely that they also understand
linear equations and fundamental numerical operations, since these concepts are prerequisites
for learning the former.
The Artificial Intelligence technology incorporated into the platform is based on
artificial neural networks that operate in a manner similar to the recommendation algorithms
used by social media platforms. The model groups students with similar interaction patterns
and analyzes their historical performance, making it possible to establish correlations among
different subject topics. When a new student enters the system, the neural network seeks to
associate that student with similar profiles and, based on the available information, infers their
proficiency level across the various content areas (Andrade et al., 2000; Baker, 2001).
Students’ proficiency estimates are continuously updated as new interactions are
recorded within the platform. The model adopts a standardized scale ranging from –3 to +3, in
which each student is assigned a proficiency score based on their responses and the logistic
parameters of the assessment items. Based on this metric, the platform classifies students into
different performance levels—low, medium, and high—facilitating the personalization of
pedagogical strategies and supporting educational decision-making.
Thus, the technology implemented in the educational platform enables a dynamic and
accurate assessment of students’ proficiency, overcoming the limitations of conventional
assessment methods while providing continuous monitoring of students’ academic
development.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 11
RESULTS
This section presents the results of the implementation of the learning platform in 9th-
grade test classes from two private schools located in the cities of São Luís, Maranhão (MA),
and Ananindeua, Pará (PA), Brazil. The data analysis aims to examine how the platform
influenced students’ academic performance by comparing performance indicators before and
after its implementation. In addition, the analysis seeks to identify learning patterns,
improvements in content mastery, and the platform’s impact on adapting learning pathways to
students’ individual needs, thereby contributing to more effective and personalized instruction.
DISTRIBUTION OF OVERALL PROFICIENCY LEVELS
The histogram below (Figure 1) presents the distribution of students’ psychometric
proficiency levels using a scale ranging from –3 to +3. Scores close to zero indicate average
proficiency, in accordance with national reference standards. The data show a substantial
concentration of students at the medium and low proficiency levels, reinforcing the need for
personalized pedagogical interventions to improve learning.
Figure 1.
Histogram of Overall Proficiency Levels
Note. Research data (2024).
A predominant concentration of students was observed within the theta scale range
between –1 and 1, indicating that most students fell within the medium proficiency category.
The presence of students distributed across the lower ranges further highlights the heterogeneity
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 12
of the population analyzed and underscores the need for differentiated pedagogical support
strategies.
The analysis conducted in this study establishes an important benchmark for the
implementation of innovative educational solutions based on Artificial Intelligence through the
platform. The primary objective of the platform is to foster and enhance students’ academic
proficiency throughout their educational journey by providing a more dynamic, adaptive, and
efficient learning environment. This approach is consistent with the view that AI, by processing
large volumes of data, drives the development of adaptive educational systems capable of
continuously monitoring students’ progress, adjusting instructional content, and providing
personalized learning materials and individualized learning pathways (Woolf, 2009).
This process requires systematic and continuous monitoring through periodic
assessments and targeted pedagogical interventions to ensure that each student receives
personalized support according to their individual needs and learning challenges. The
technology plays an essential role in this context by identifying learning patterns, enabling
customized adjustments to learning pathways, and promoting academic development that is
more closely aligned with students’ actual needs. As highlighted by Anderson and Rainie
(2018), large-scale data analysis enables educators to identify behavioral patterns and adapt
instruction to students’ individual characteristics, transforming the teacher’s role into that of a
more informed and strategic facilitator (Luckin et al., 2016).
The distribution of the data presented in the histogram demonstrates the importance of
implementing evidence-based pedagogical strategies to address potential gaps in the teaching-
learning process. The findings reinforce the need for educational approaches grounded in
quantitative data, enabling more accurate monitoring of students’ academic performance.
Consequently, it becomes possible to implement targeted pedagogical interventions that
promote more inclusive, equitable, and student-centered instruction while maintaining an
ethical commitment to protecting students’ data privacy (Anderson & Rainie, 2018).
DISTRIBUTION OF PROFICIENCY BY KNOWLEDGE AREA
The analysis of students’ proficiency levels is based on the distribution of the theta
parameter, which ranges from –3 to +3. This parameter represents the estimate of a student’s
proficiency within the Item Response Theory (IRT) model, a psychometric approach developed
from the work of Georg Rasch, Birnbaum, and Lord during the 1950s and 1960s. IRT relies on
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 13
statistical modeling to examine the relationship between an individual’s proficiency and their
responses to test items, enabling a more refined classification of students across different ability
levels (Wolins et al., 1982; Baker, 2001; Andrade et al., 2000).
The data are presented in graphs that correlate theta values (students’ proficiency
estimates) with the number of students within each proficiency range. The horizontal axis
represents the theta values, whereas the vertical axis indicates the number of students in each
interval. Proficiency is categorized into qualitative ranges represented by different colors: blue
for students with low proficiency, orange for students with medium proficiency, and green for
students with high proficiency. This classification provides a more detailed understanding of
the platform’s impact on different student profiles, supporting the development of more
effective and targeted pedagogical strategies (Andrade et al., 2000).
It is important to note that all graphs follow the same analytical principles, differing
only in the knowledge area under analysis. Accordingly, separate graphical representations are
presented for the areas of Human Sciences, Mathematics, Languages, and Natural Sciences,
allowing for a more detailed assessment of students’ performance in each area. Segmenting the
analysis by knowledge area makes it possible to identify distinct learning patterns and supports
the development of more effective pedagogical strategies, as the platform continuously updates
students’ proficiency estimates whenever new interactions are recorded, classifying students
into different performance levels in order to personalize pedagogical interventions (Baker,
2001).
Figure 2.
Histogram of Proficiency in the Human Sciences Area
Note. Research data.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 14
Figure 2 follows the same analytical principles as the other figures, differing only in the
specific knowledge area under analysis, which in this case is Human Sciences.
In the Human Sciences area, a greater concentration of students is observed within the
medium proficiency range, with fewer students represented at the extremes of the distribution.
This pattern suggests a relatively homogeneous distribution of student performance in this area.
Figure 3.
Histogram of Proficiency in the Languages Area
Note. Research data.
Figure 3 follows the same analytical principles as the other graphical representations,
differing only in the knowledge area under analysis, which in this case is Languages.
In the Languages area, the distribution is similar to that observed for overall proficiency,
with most students concentrated in the intermediate proficiency ranges and relatively few
students represented at the extremes of the distribution.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 15
Figure 4.
Histogram of Proficiency in the Mathematics Area
Note. Research data.
Figure 4 follows the same methodological principles as the other figures, providing a
specific analysis of students’ performance in Mathematics.
The distribution of proficiency in Mathematics shows greater dispersion than that
observed in the other knowledge areas, indicating more pronounced differences in students’
mastery of the assessed content.
Figure 5.
Histogram of Proficiency in the Natural Sciences Area
Note. Research data.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 16
Figure 5 follows the same methodological principles as the other figures, presenting the
distribution of proficiency levels in the Natural Sciences area.
In the Natural Sciences area, a substantial concentration of students is observed within
the medium proficiency range, accompanied by a lower frequency of students in the upper
ranges of the proficiency scale.
Figure 6.
Relative Performance Gain by Subject
Note. Research data.
Figure 6 illustrates students’ relative performance gains, categorized according to the
three proficiency levels—low, medium, and high—for Period 3 (T1) and Period 4 (T2). The
bars represent the mean performance gain for each category, providing a detailed view of
students’ academic progress throughout the two academic terms analyzed.
In addition, the vertical lines accompanying the bars represent the confidence intervals,
indicating a 95% confidence level. This suggests that the results obtained are highly reliable,
demonstrating consistency in the analysis while minimizing the influence of external variables.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 17
Figure 7.
Relative Performance Gain by Learning Pathway (Terms 3 and 4)
Note. Research data.
Figure 7 shows that the use of the platform resulted in an average relative performance
gain of approximately 49%, considering all proficiency levels (low, medium, and high), all
subject areas, and both assessment periods. The results observed across the different proficiency
levels indicate better assessment performance among students who received the pedagogical
intervention supported by the platform, suggesting that the use of the tool contributed to
improved academic performance regardless of students’ initial level of proficiency.
The consistent performance gains observed across the different proficiency levels and
over two consecutive assessment periods indicate the effectiveness of the personalized
educational support provided by the platform. This adaptive approach enhances learning
throughout students’ academic journey by providing a more dynamic instructional environment
that is better aligned with individual learning needs.
DISCUSSION
This study analyzed the effects of an Artificial Intelligence-mediated pedagogical
intervention on the teaching-learning process using both quantitative and qualitative indicators.
The investigation was structured around analytical dimensions that enabled a segmented
understanding of the multiple aspects involved, including the evolution of academic
performance, adherence to the study plan, engagement with learning activities, and perceptions
regarding the applicability of the strategies employed.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 18
The results indicated a positive improvement in students’ performance across both
classes analyzed, with the most pronounced gains observed in the São Luís school, where
adherence to the study plan was stronger and more consistent. In addition to the increase in
overall average performance, improvements were identified in specific competencies, such as
reading comprehension, problem-solving, and the application of mathematical concepts in
contextualized situations. These findings suggest that AI-mediated personalization of
instruction contributed to addressing individual learning gaps more effectively.
However, some students continued to perform below expectations, a result associated
with factors such as low adherence to the study plan, difficulties with concentration, and pre-
existing learning gaps. These findings reinforce that technology alone cannot guarantee
learning outcomes, highlighting the need for continuous pedagogical support from teachers and
the strengthening of motivational strategies. The analysis revealed the complexity of the
learning process in technology-mediated educational contexts, reaffirming the indispensable
role of the teacher.
Student engagement emerged as a central variable in the analysis, directly influencing
the effectiveness of the pedagogical intervention. In São Luís (MA), greater adherence to the
study plan was observed, with students accessing the platform regularly and consistently
completing the proposed activities. In Ananindeua (PA), adherence was more heterogeneous:
while some students maintained an access routine consistent with the planned activities, others
showed limited engagement, associated with factors such as restricted internet access at home
and the lack of personal digital devices.
Qualitative findings revealed that many students initially demonstrated enthusiasm but
experienced difficulties maintaining consistent engagement over the following weeks,
particularly during periods that coincided with more intensive in-person assessments. It was
also observed that the class whose teacher more closely monitored students’ progress—by
discussing results, encouraging the completion of each stage, and integrating the study plan into
classroom instruction—showed higher levels of engagement, reinforcing the importance of
teacher mediation as a key element in fostering student motivation.
The evidence also revealed varying levels of familiarity, interest, and autonomy among
students. Particularly positive receptivity was observed among students with greater digital
literacy and stronger study organization skills, who accessed the platform consistently and
demonstrated steady progress throughout the intervention.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 19
Conversely, some students displayed low participation in digital learning activities
despite having access to the platform. Informal reports from teachers suggested that the
personalized study plan contributed to greater clarity regarding learning objectives and
improved time management, with students reporting greater confidence as they monitored their
own progress. However, difficulties related to the adaptation period required by the proposed
methodology were also observed, particularly among students accustomed to more traditional
instructional models. The transition to a learning environment in which students assume a more
active role generated resistance among some participants, reinforcing the importance of a
gradual implementation process supported by ongoing guidance and continuous pedagogical
support.
Although the overall results demonstrated meaningful improvements, it is essential to
acknowledge the limitations of the intervention. The degree of autonomy required by the
proposed approach proved challenging for some students, particularly those accustomed to
more teacher-centered instructional models. The teacher’s role in the mediation process proved
to be crucial: in contexts where teachers provided systematic and continuous support,
pedagogical outcomes were more positive. Conversely, when such support was provided only
occasionally or sporadically, a decline in the continuity of the learning process was observed.
The relatively short duration of the intervention also represents an important limitation.
Although the implementation period was sufficient to identify emerging trends, it was not long
enough to evaluate medium- and long-term effects. Extending the use of the platform
throughout an entire academic year would allow for a more robust assessment of its pedagogical
impact. These limitations highlight the complexity of integrating technological resources into
educational practice, requiring careful planning, qualified pedagogical mediation, and
continuous attention to inequalities in access.
The findings indicate that students who used the personalized learning pathways
achieved significantly higher assessment scores. These results are consistent with the literature
highlighting the effectiveness of adaptive learning platforms, as discussed in Education for the
age of artificial intelligence (Fadel et al., 2024), which examines how AI can personalize
instruction to meet students’ individual learning needs.
Students with initially high and medium proficiency demonstrated more substantial
gains, whereas those with low initial proficiency showed more modest progress. This pattern
suggests that, although personalized learning benefits most students, those experiencing greater
learning difficulties may require additional educational support. This observation is consistent
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 20
with the discussions presented in Education and digital platforms: popularizing knowledge,
potentialities, and controversies (Alves & Lopes, 2024), which examine both the potential and
the challenges of digital platforms in education.
The effectiveness of personalized learning platforms has been widely discussed in the
recent literature. The book Adaptive platforms in education (Assis et al., 2023) highlights that
adaptive platforms provide personalized learning experiences tailored to each student’s specific
needs, thereby promoting more effective learning. Likewise, Artificial intelligence in
education: toward personalized learning (Barbosa et al., 2023) explores how AI can be applied
to education to create adaptive learning environments capable of adjusting instructional content
and learning pace according to each student’s performance and preferences.
Direct observation of the intervention revealed that technology does not operate
autonomously or neutrally within the educational process. Its impact depends directly on how
it is mediated by teachers, understood by students, contextualized by educational institutions,
and supported by parents. The personalization enabled by AI represents an important
innovation; however, its effectiveness depends on students’ level of engagement, teachers’
professional preparation, and the availability of adequate infrastructure.
Even in private schools, equitable access to technological resources remains a
significant challenge. Limited access to digital devices and the internet outside the school
environment can hinder the continuity of personalized learning, thereby reinforcing existing
educational inequalities. These findings underscore the need to view the use of AI in education
not only as a technological innovation but also as a matter of public policy.
The degree of autonomy required from students introduces new challenges to school
culture. Not all students demonstrated the maturity or confidence needed to manage their own
learning pathways without continuous teacher support, reinforcing the indispensable role of
educators. In this context, teachers assume the roles of content curators, learning mentors, and
guides throughout the educational process.
Another important aspect concerns the assessment of learning. Although the platform
employs algorithms based on Item Response Theory (IRT), performance data must be
interpreted with caution to avoid reducing learning solely to measurable outcomes. AI can
support educational diagnosis, but a comprehensive understanding of the learning process still
requires pedagogical sensitivity and qualitative analysis of each student’s educational context.
Although the performance indicators used in this study are based on standardized
assessments and metrics derived from Item Response Theory, it is recognized that learning
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 21
cannot be reduced exclusively to test results. The development of socio-emotional
competencies, critical thinking, creativity, intellectual autonomy, and complex problem-solving
skills extends beyond the quantitative indicators employed in this research. Therefore, the
findings presented here should be interpreted as evidence related to measurable academic
performance rather than as a comprehensive representation of the educational processes
involved in student learning.
In this sense, the personalization promoted by the platform should not be understood
merely as a mechanism for preparing students for assessments, but rather as a strategy for
identifying learning gaps and guiding more individualized pedagogical interventions.
Nevertheless, future research could broaden this analysis by incorporating qualitative indicators
related to students’ holistic development.
Finally, it is important to emphasize that the integration of AI into education is still in a
phase of consolidation and experimentation in many educational settings. Technology should
be understood as a means rather than an end in itself. Its true potential lies in supporting the
development of a more equitable, flexible, and student-centered educational system, provided
that its implementation is accompanied by continuous teacher professional development,
adequate technological infrastructure, and educational policies committed to inclusion and the
quality of education.
FINAL CONSIDERATIONS
This study investigated the impact of implementing an Artificial Intelligence-based
educational platform to personalize instruction for 9th-grade students in two private Brazilian
schools located in the North and Northeast regions of the country. The findings demonstrated
that personalized learning pathways contributed to improvements in students’ proficiency
regardless of their initial level of knowledge.
The organization of instructional content through adaptive algorithms enabled the
identification of individual learning difficulties and the provision of more appropriate
pedagogical support. The personalization enabled by AI positively influenced students’
assessment performance, particularly among those who consistently engaged with the proposed
learning activities. The individualized monitoring made possible by the platform’s reports
allowed for more precise pedagogical adjustments, reinforcing the teacher’s role as a mediator
and facilitator of the learning process.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 22
More specifically, the use of the platform resulted in an average relative performance
gain of approximately 49%, considering all proficiency levels and all subject areas across the
two assessment periods. In addition, students demonstrated the development of skills such as
self-management, decision-making, and self-regulation, all of which are essential for fostering
more critical, autonomous learners.
Study limitations
The limitations of this study include the small number of participating institutions, the
concentration of the analysis on private schools belonging to the same educational network, the
relatively short intervention period, and the inability to control for external variables potentially
associated with academic performance, such as teacher-related factors, infrastructure
conditions, socioeconomic context, family support, and students’ individual levels of
engagement. Therefore, the observed results should not be attributed exclusively to the use of
Artificial Intelligence but rather interpreted within the broader set of factors that influence
educational processes.
Future research should employ larger samples, encompass a wider variety of
educational contexts, and adopt complementary methodologies, including qualitative
approaches, to further deepen our understanding of the impact of Artificial Intelligence on
learning.
The findings of this study demonstrate the potential of technological solutions to
strengthen learning, reinforcing the importance of approaching twenty-first-century education
in an ethical, critical, human-centered, and inclusive manner, with a strong commitment to
educational quality. It is hoped that the results presented here will support future initiatives,
foster discussion on the responsible use of technology in education, and contribute to the
development of more innovative, effective, and responsive pedagogical practices that address
the needs of all participants in the educational process.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 23
REFERENCES
Alves, L., & Lopes, D. (2024). Educação e plataformas digitais: Popularizando saberes,
potencialidades e controvérsias. EDUFBA.
Anderson, J., & Rainie, L. (2018). The future of well-being in a tech-saturated world (Vol. 17).
Pew Research Center. https://www.pewresearch.org
Andrade, F. D., Tavares, R. H., & Valle, C. R. (2000). Teoria da resposta ao item: Conceitos e
aplicações.
Assis, A. H. S. de, Dourado, D., Burani, G. A., Silva, I. F. da, Araújo, J. B. de, & Costa, L. A.
da. (2023). Plataformas adaptativas na educação. Pimenta Cultural.
https://doi.org/10.31560/pimentacultural/2023.97488
Baker, F. B. (2001). The basics of item response theory. ERIC Clearinghouse on Assessment
and Evaluation.
Barbosa, L., Souza, P., Antonio, G., Joerke, O., Macedo, Y. M., Ferreira Vale, R., De Pádua, A.,
Oliveira, J., Suarez, M., Santo, D., Gomes, C. A., Cristina, S., Gomes, V., Alberti, R.,
Flávio, J., & Paz, D. (2023). Inteligência artificial na educação: Rumo a uma
aprendizagem personalizada. IOSR Journal of Humanities and Social Science, 28(5),
19–25. https://doi.org/10.9790/0837-2805031925
Carbonell, J. R. (1970). An artificial-intelligence approach to computer-assisted instruction.
IEEE Transactions on Man-Machine Systems, 11(4), 190–202.
Fadel, C., Black, A., Taylor, R., Slesinski, J., & Dunn, K. (2024). Educação para a era da
inteligência artificial (1ª ed.). Todos pela Educação; Moderna.
Fisher, J. (2010). Development and application of a spiritual well-being questionnaire called
SHALOM. Religions, 1(1), 105–121. https://doi.org/10.3390/rel1010105
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promise and
implications for teaching and learning. Center for Curriculum Redesign.
https://www.researchgate.net/publication/332180327
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An
argument for AI in education. Pearson.
Papert, S. (1993). Mindstorms: Children, computers, and powerful ideas (2nd ed.). Basic
Books.
Sleeman, D., & Brown, J. S. (Eds.). (1982). Intelligent tutoring systems. Academic Press.
UNESCO. (2024). Global education monitoring report 2024/5: Leadership in education – Lead
for learning. UNESCO. https://unesdoc.unesco.org
UNICEF, UNESCO, & International Telecommunication Union. (2020). The digital
transformation of education: Connecting schools, empowering learners.
Artificial intelligence in education: how adaptive algorithms can enhance academic performance
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/rpge.v30i00.21254 24
Wolins, L., Wright, B. D., & Rasch, G. (1982). Probabilistic models for some intelligence and
attainment tests. Journal of the American Statistical Association, 77(377), 482–483.
https://doi.org/10.2307/2287805
Woolf, B. P. (2009). Building intelligent interactive tutors: Student-centered strategies for
revolutionizing e-learning. Elsevier.
M ar c el o d e Q u eir oz Silv a M at os, Hele n a Br a n d ã o Vi a n a, Er n a n d es R o dri g u es N as ci m e nt o & Cristi n a Z u k o ws k y Ta v ares
R P G E – R e vist a o n li n e d e P olíti c a e G estã o E d u c a ci o n al , Ar ar a q u ar a, v. 3 0 , n. 0 0, e 0 2 6 0 5 6 , 2 0 2 6 . e-I S S N: 1 5 1 9-9 0 2 9
D OI: 1 0. 2 2 6 3 3/r p g e. v 3 0i 0 0. 2 1 2 5 4 2 5
C R e di T A ut h or St at e m e nt
A c k n o wl e d g m e nts: U N A S P -E C.
F u n di n g: N o n e.
C o nfli ct of I nt e r est: T h e a ut h ors d e cl ar e t h at t h er e ar e n o c o nfli cts of i nt er est.
Et hi c al A p p r o v al: N ot a p pli c a bl e. T h e st u d y c o m pli e d wit h t h e et hi c al pri n ci pl es
a p pli c a bl e t o s ci e ntifi c r es e ar c h. It w as b as e d e x cl usi v el y o n s e c o n d ar y d at a a n d
i nstit uti o n al i nf or m ati o n, wit h n o i d e ntifi c ati o n of p arti ci p a nts a n d n o dir e ct d at a c oll e cti o n
i n v ol vi n g h u m an s u bj e cts. T h er ef or e, t h e st u d y di d n ot f all wit hi n t h e c at e g ori es r e q uiri n g
r e vi e w b y t h e R es e ar c h Et hi cs C o m mitt e e u n d er t h e a p pli c a bl e r e g ulati o ns.
D at a a n d M at e ri als A v ail a bilit y: T h e d at a s u p p orti n g t h e fi n di n gs of t his st u d y ar e n ot
p u bli cl y a v ail a bl e b ut m a y b e o btai n e d fr o m t h e c orr es p o n di n g a ut h or u p o n r e as o n a ble
r e q u est, s u bj e ct t o a p pli c a bl e et hi c al a n d c o nfi d e nti alit y c o nsi d er ati o ns.
A ut h o r C o nt ri b uti o ns: M ar c el o Sil v a: d at a c oll e cti o n; d at a a n al ysis a n d i nt er pr et ati o n;
m a n us cri pt writi n g. H ele n a B. Vi a n a: c o n c e pti o n of t h e i niti al i d e as; d at a a n al ysis; fi n al
m a n us cri pt r e vi e w. Er n a n d es R. N as ci m e nt o: c o ntri b uti o n t o t h e t h e or eti c al fr a m e w or k;
p arti al m a n us cri pt r e vi e w. Cristi n a Z. T a v ar es: m a n us cri pt v ali d ati o n a n d r e vi e w.
P r o c essi n g a n d e diti n g : E dit o r a I b e r o-A m e ri c a n a d e E d u c a ç ã o
Pr o ofr e a di n g, f or m atti n g, n or m ali z ati o n a n d tr a nsl ati o n
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 1
INTELIGENCIA ARTIFICIAL EN LA EDUCACIÓN: CÓMO LOS ALGORITMOS
ADAPTATIVOS PUEDEN ELEVAR EL RENDIMIENTO ACADÉMICO
INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO: COMO ALGORITMOS
ADAPTATIVOS PODEM ELEVAR O DESEMPENHO ACADÊMICO
ARTIFICIAL INTELLIGENCE IN EDUCATION: HOW ADAPTIVE ALGORITHMS
CAN ENHANCE ACADEMIC PERFORMANCE
Marcelo de Queiroz Silva MATOS
1
e-mail: celoiasp@hotmail.com
Cómo citar este artículo:
Matos, M. Q. S., Viana, H. B., Nascimento, E. R., & Tavares, C. Z.
(2026). Inteligencia artificial en la educación: cómo los algoritmos
adaptativos pueden elevar el rendimiento académico. Revista on
line de Política e Gestão Educacional, 30, e026056.
https://doi.org/10.22633/rpge.v30i00.21254
| Enviado el: 15/04/2026
| Revisiones requeridas el: 23/04/2026
| Aprobado el: 14/06/2026
| Publicado el: 26/06/2026
Editor:
Prof. Dr. Sebastião de Souza Lemes
Editor adjunto ejecutivo:
Prof. Dr. José Anderson Santos Cruz
1
Centro Universitario Adventista de São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brasil. Director
escolar en la Asociación Adventista del Valle del Paraíba.
2
Centro Universitario Adventista de São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brasil. Profesora
permanente en el Programa de Posgrado en Educación.
3
Universidad Europea de Lisboa, Lisboa – Brasil. Profesor auxiliar
4
Centro Universitario Adventista de São Paulo (UNASP), Engenheiro Coelho – São Paulo (SP) – Brasil. Profesora
permanente en el Programa de Posgrado en Educación.
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 2
RESUMEN: Este estudio evaluó el impacto de una intervención pedagógica mediada por
Inteligencia Artificial (IA) y algoritmos adaptativos en el rendimiento académico de estudiantes
de 9º año de la Educación Primaria en dos escuelas privadas ubicadas en Ananindeua (PA) y
São Luís (MA). Se realizó un estudio comparativo entre un grupo de prueba, que utilizó
trayectorias personalizadas de aprendizaje en una plataforma basada en IA, y un grupo de
control, sometido a la metodología tradicional. El análisis de los resultados utilizó datos del
Programa Adventista de Evaluación de la Educación Básica (PAAEB) e indicadores
fundamentados en la Teoría de Respuesta al Ítem (TRI). Los resultados señalaron avances en
los niveles de competencia en Lengua Portuguesa y Matemáticas, además de una ganancia
media relativa de aproximadamente el 49% en el rendimiento de los estudiantes acompañados
por la plataforma. Se concluye que la IA puede contribuir a la personalización de la enseñanza,
siempre que esté asociada a la mediación pedagógica activa y al seguimiento continuo de los
estudiantes.
PALABRAS CLAVE: Inteligencia artificial. Tecnología educativa. Aprendizaje
personalizado.
RESUMO: Este estudo avaliou o impacto de uma intervenção pedagógica mediada por
Inteligência Artificial (IA) e algoritmos adaptativos no desempenho acadêmico de estudantes
do 9º ano do Ensino Fundamental de duas escolas privadas localizadas em Ananindeua (PA)
e São Luís (MA). Foi realizado um estudo comparativo entre o grupo teste, que utilizou trilhas
personalizadas de aprendizagem em plataforma baseada em IA, e o grupo controle, submetido
à metodologia tradicional. A análise dos resultados utilizou dados do Programa Adventista de
Avaliação da Educação Básica (PAAEB) e indicadores fundamentados na Teoria de Resposta
ao Item (TRI). Os resultados apontaram avanços nos níveis de proficiência em Língua
Portuguesa e Matemática, além de um ganho médio relativo de aproximadamente 49% no
desempenho dos estudantes acompanhados pela plataforma. Conclui-se que a IA pode
contribuir para a personalização do ensino, desde que associada à mediação pedagógica ativa
e ao acompanhamento contínuo dos estudantes.
PALAVRAS-CHAVE: Inteligência artificial. Tecnologia educacional. Aprendizagem
personalizada.
ABSTRACT: This study evaluated the impact of a pedagogical intervention mediated by
Artificial Intelligence (AI) and adaptive algorithms on the academic performance of 9th-grade
elementary school students in two private schools located in Ananindeua (PA) and São Luís
(MA). A comparative study was conducted between a test group, which used personalized
learning pathways on an AI-based platform, and a control group, subjected to traditional
methodology. The analysis of the results utilized data from the Adventist Basic Education
Evaluation Program (PAAEB) and indicators based on Item Response Theory (IRT). The results
showed advances in proficiency levels in Portuguese Language and Mathematics, as well as an
average relative gain of approximately 49% in the performance of the students monitored by
the platform. It is concluded that AI can contribute to the personalization of teaching, provided
it is associated with active pedagogical mediation and continuous student monitoring.
KEYWORDS: Artificial intelligence. Educational technology. Personalized learning.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 3
INTRODUCCIÓN
La inteligencia artificial (IA) ha impactado prácticamente todos los ámbitos de la vida
humana, incluida la educación. Su integración en el entorno educativo ha evolucionado desde
aplicaciones rudimentarias hasta sistemas sofisticados capaces de personalizar el aprendizaje y
optimizar el proceso de enseñanza-aprendizaje. Al mismo tiempo, su uso también suscita
inquietudes, ya sea en lo que respecta a la formación del profesorado, la infraestructura mínima
requerida por las escuelas y universidades, o incluso cuestiones éticas como el mal uso o la
dependencia excesiva de las plataformas de IA.
Los orígenes de la inteligencia artificial en la educación se remontan a la década de 1960
(Papert, 1993), periodo en el que los investigadores comenzaron a explorar el potencial de las
máquinas para automatizar los procesos pedagógicos. En aquel entonces, se desarrollaron los
Sistemas de Tutoría Inteligente (STI), cuyo objetivo era ofrecer retroalimentación automatizada
a los estudiantes, simulando la interacción con un profesor en escenarios controlados. Sleeman
et al. (1982) señalan que, aunque innovadores en su momento, estos sistemas funcionaban con
base en reglas predefinidas y algoritmos programados, lo que limitaba su capacidad para una
personalización efectiva de la enseñanza.
Durante las décadas de 1970 y 1980, la investigación en IA educativa avanzó con el
desarrollo de sistemas más complejos capaces de modelar el conocimiento del estudiante y
adaptar el contenido didáctico a su progreso individual (Luckin et al., 2016a). Un ejemplo
pionero fue el sistema SCHOLAR, creado por Jaime Carbonell en 1970, que utilizaba IA para
enseñar geografía. Carbonell (1970) explica que el sistema SCHOLAR introdujo un modelo de
diálogo que permitía a los estudiantes interactuar con el sistema, formular preguntas y recibir
respuestas personalizadas, lo que supuso un avance significativo hacia el aprendizaje
adaptativo.
Con el avance de la era digital y el aumento exponencial de la disponibilidad de datos,
la inteligencia artificial ha asumido un papel central en la adaptación del currículo a las
necesidades individuales de la educación. La Revolución de los Datos ha posibilitado la
recopilación, el análisis y la interpretación de grandes volúmenes de información, lo que
permite ajustar los sistemas educativos para satisfacer las necesidades específicas de cada
estudiante. En este contexto, la IA se ha convertido en una herramienta indispensable para crear
entornos de aprendizaje adaptativos, en los que el contenido y el ritmo de la enseñanza se
ajustan según el rendimiento y las preferencias individuales de los estudiantes. El análisis de
datos a gran escala ha brindado a los educadores la capacidad de identificar patrones de
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 4
comportamiento y adaptar la enseñanza a las características particulares de cada estudiante
(Anderson & Rainie, 2018).
El análisis de grandes volúmenes de datos ha impulsado el desarrollo de sistemas
educativos basados en el aprendizaje adaptativo, que emplean algoritmos de IA para monitorear
continuamente el progreso del estudiante y ajustar el contenido según su desempeño. Estos
sistemas ofrecen materiales de estudio personalizados, adaptados al ritmo de aprendizaje de
cada estudiante, facilitando la identificación de áreas que requieren mayor atención. Esta
estrategia, considerada una de las más innovadoras en el ámbito educativo, permite niveles
avanzados de personalización, en los que cada estudiante sigue una ruta de aprendizaje
individualizada. Este modelo ha demostrado su eficacia en materias como matemáticas,
ciencias e idiomas, donde el progreso se puede monitorear en tiempo real y ajustar con
precisión, promoviendo una experiencia educativa más eficiente y centrada en las necesidades
de cada estudiante (Woolf, 2009).
El uso de datos para personalizar la educación ha generado cambios significativos en el
rol del profesorado. Si bien la IA ha automatizado muchos aspectos de la enseñanza, también
actúa como una herramienta de apoyo fundamental, proporcionando a los educadores una visión
detallada del progreso del alumnado. Mediante los datos generados por sistemas basados en IA,
los profesores pueden identificar con mayor precisión las dificultades de los alumnos e
intervenir de forma específica y eficaz. Esta integración entre la IA y la práctica pedagógica
permite un aprendizaje personalizado a gran escala, ofreciendo a los educadores recursos para
adaptar sus intervenciones a las necesidades específicas de cada estudiante. Este modelo
combina la automatización y la pedagogía personalizada, creando oportunidades para
transformar la enseñanza y el aprendizaje (Luckin et al., 2016).
Con el avance de la Revolución de los Datos, se amplían las posibilidades de
personalización en la educación, prometiendo una enseñanza más inclusiva y eficaz. Sin
embargo, el uso a gran escala de la IA y los datos en la educación también plantea interrogantes
éticos, especialmente en lo que respecta a la privacidad de los datos de los estudiantes. Es
fundamental que estas innovaciones se implementen de manera responsable, garantizando que
la información recopilada se utilice en beneficio de los estudiantes sin comprometer su
privacidad. Con la expansión de estas tecnologías, el futuro de la educación personalizada se
presenta prometedor, ofreciendo vías hacia una enseñanza más individualizada centrada en las
necesidades específicas de cada estudiante.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 5
En el ámbito de la evaluación, los sistemas de análisis de datos educativos desempeñan
un papel fundamental al ayudar a docentes y administradores a comprender en detalle el
rendimiento estudiantil. Combinadas con la IA, estas herramientas permiten el seguimiento
continuo del progreso académico, la identificación temprana de dificultades de aprendizaje y la
adaptación del currículo a las necesidades específicas de los estudiantes. Además de
proporcionar información valiosa sobre el proceso educativo, estas tecnologías permiten
intervenciones pedagógicas más precisas y efectivas, garantizando una enseñanza alineada con
las necesidades individuales. Este enfoque resulta especialmente ventajoso para las
instituciones comprometidas con ofrecer una educación de alta calidad basada en la evidencia
y el uso estratégico de los datos (Anderson & Rainie, 2018).
Las herramientas modernas de IA en la educación están transformando la forma en que
se transmite y construye el conocimiento, promoviendo una educación cada vez más inclusiva
y adaptada a las necesidades de los estudiantes. Si bien el uso de la IA en el entorno educativo
ofrece numerosas ventajas, también exige un enfoque ético, especialmente en lo que respecta a
la privacidad de los datos. Es fundamental que estas herramientas se utilicen de forma
responsable, garantizando que el enfoque siga centrado en el desarrollo integral de los
estudiantes y apoyando la labor de los educadores. De este modo, las herramientas de IA
continúan expandiéndose, redefiniendo el panorama educativo y creando nuevas posibilidades
para el aprendizaje personalizado (Luckin et al., 2016; Woolf, 2009; Fadel et al., 2024).
Estudios recientes indican que los sistemas basados en IA pueden promover el
aprendizaje personalizado al ofrecer retroalimentación en tiempo real, identificar lagunas de
aprendizaje y adaptar el contenido al perfil del estudiante. Estas características se han asociado
con mejoras en la participación y un seguimiento individualizado del proceso de aprendizaje
(Fadel et al., 2024; Holmes et al., 2019; Unesco, 2024; Unicef et al., 2020).
Ante este panorama y las posibilidades que ofrece la IA en la educación, este estudio
buscó evaluar el rendimiento académico de los estudiantes después de la implementación de
una intervención didáctica mediada por inteligencia artificial en dos escuelas privadas ubicadas
en contextos regionales distintos: una en Ananindeua (Pará), en la región Norte, y la otra en São
Luís (Maranhão), en la región Noreste de Brasil.
En las escuelas incluidas en este estudio, los alumnos de 5.º a 9.º grado de la Enseñanza
Fundamental son evaluados anualmente por el PAAEB (Programa Adventista para la
Evaluación de la Educación Básica) en las asignaturas de Lengua Portuguesa y Matemáticas.
Los alumnos de 2.º año de la Educación Media también son evaluados en estas dos asignaturas
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 6
y, adicionalmente, en las áreas de Ciencias Naturales y sus Tecnologías, Lenguas, Códigos y
sus Tecnologías, Matemáticas y sus Tecnologías, y Ciencias Humanas y sus Tecnologías.
Además de la prueba, se administra un cuestionario complementario, respondido por docentes
y alumnos, para identificar factores externos que influyen en el rendimiento académico.
El Programa Adventista para la Evaluación de la Educación Básica (PAAEB) es un
sistema de evaluación institucional utilizado por la Red de Educación Adventista para
monitorear los indicadores de aprendizaje y el desempeño académico de los estudiantes. El
programa utiliza matrices de referencia alineadas con las competencias y habilidades esperadas
para cada etapa educativa y emplea una metodología basada en la Teoría de Respuesta al Ítem
(TRI), lo que permite la comparación longitudinal de resultados y la clasificación de los
estudiantes en niveles de dominio. Además de las pruebas cognitivas, se aplican cuestionarios
contextuales para identificar factores asociados con el desempeño escolar.
Los resultados obtenidos se clasifican según el promedio de los estudiantes y se
presentan por niveles (de acuerdo con las tablas de la Escala de Competencia que se muestran
a continuación). En portugués, de 200 a 274 puntos en la escala representan los niveles 1 a 3,
clasificados como Competencia Básica; de 275 a 324, los niveles 4 y 5, clasificados como
Competente; y de 325 a 400 puntos, los niveles 6 a 8, clasificados como Competencia Avanzada.
En Matemáticas, las puntuaciones de 200 a 299 en la escala representan los niveles 1 a
4, clasificados como Competencia Básica; las puntuaciones de 300 a 349 representan los niveles
5 y 6, clasificados como Competente; y las puntuaciones de 350 a 425 representan los niveles
7 y 8, clasificados como Competencia Avanzada. Los resultados del PAAEB para las clases de
9.º grado de las dos escuelas se analizaron considerando los años 2022 y 2023, siendo 2022 el
año anterior al estudio y 2023 el año en que se utilizó la tecnología en las clases seleccionadas.
En ambas escuelas, los índices PAAEB detectaron cambios en los niveles durante el período
analizado, de 2022 a 2023.
En el análisis de la competencia en portugués, la unidad de São Luís (MA) mostró el
mayor crecimiento en las pruebas aplicadas en 2022 y 2023, saliendo de la zona de competencia
básica (nivel 3) y obteniendo promedios que la clasificaron como competente (nivel 4), con un
incremento de 16 puntos. La unidad de Ananindeua (PA) mostró un incremento de 12,1 puntos;
sin embargo, se mantuvo en el mismo nivel de competencia (nivel 4 – competente).
El análisis de los datos de matemáticas mostró que ambas unidades experimentaron
crecimiento, pasando de la zona de competencia básica a la categoría de Competente. El mayor
incremento se detectó en la unidad Ananindeua (PA), con un aumento de 38,1 puntos, lo que la
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 7
clasificó del nivel 4 (Competente) al nivel 6 (Competente), a un punto de la clasificación de
Competente Avanzado. En la unidad São Luís (MA), el aumento de 11,1 puntos resultó en una
clasificación en el nivel 5, Competente. Los datos indican los resultados académicos obtenidos
en las clases analizadas; sin embargo, se reconoce que variables como el apoyo docente, la
infraestructura tecnológica y el contexto socioeconómico también influyen en los resultados.
PROCEDIMIENTOS METODOLÓGICOS
Para la recopilación de datos, los estudiantes se dividieron en dos grupos principales:
un Grupo de Prueba, compuesto por estudiantes que utilizaron las rutas de aprendizaje
personalizadas de la plataforma, planificadas con base en datos recopilados previamente; y un
Grupo de Control, formado por estudiantes que siguieron la metodología de enseñanza adoptada
por la escuela, sin acceso a la plataforma de inteligencia artificial. La elección del 9.º grado
para este análisis se debió a las siguientes razones: a) autorización de la empresa propietaria de
la plataforma tecnológica exclusivamente para este nivel educativo; b) el grado tiene dos grupos
en cada unidad, un factor necesario para el análisis comparativo; c) el 9.º grado corresponde a
la fase de transición de la Enseñanza Fundamental a la Enseñanza Media, y el uso de la
plataforma por parte de estudiantes con mayor madurez permite un mejor análisis de los
resultados.
Para el grupo de prueba, que utilizaría la plataforma, se seleccionó el grupo con el nivel
académico más bajo, denominado Grupo B en este estudio. Para el grupo de control, que no
utilizaría la plataforma, se seleccionó la clase con un nivel académico superior al del grupo de
prueba, denominada Grupo A en este estudio.
El objetivo de este estudio fue obtener datos más concluyentes sobre el impacto del uso
de la plataforma en el rendimiento académico de los estudiantes. La hipótesis planteada fue la
siguiente: si el análisis psicométrico y el seguimiento por trayectorias de aprendizaje son
efectivos, la Grupo B (grupo experimental) mostrará mejoras en su rendimiento académico,
acercándolo al de la Grupo A (grupo de control) o incluso igualándolo.
Aunque el Grupo A (grupo de control) no utilizó la plataforma en las actividades
realizadas por los estudiantes, estos fueron sometidos a las mismas evaluaciones, ya que la
plataforma permitía imprimir las pruebas para su aplicación con el grupo de control. Todos los
estudiantes participaron en el estudio, sin abandonos durante la investigación, probablemente
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 8
debido a que el uso de la plataforma estaba integrado en el sistema de evaluación. La
intervención se llevó a cabo durante el segundo semestre de 2023 e incluyó los siguientes pasos
descritos en la Tabla 1:
Tabla 1.
Pasos de implementación de la plataforma
Fecha
¿Qué se hizo?
Descripción
16/08/23
Reunión de alineación de la
implementación
Primera reunión para definir los objetivos, los pasos y las
expectativas para la implementación de la plataforma.
22/08/23
29/08/23
Experiencia con profesores
Capacitación de los profesores y elaboración de evaluaciones
dentro de la plataforma.
27/08/23
Presentación de ensayos
Recopilación de ensayos para la extracción de datos
cognitivos y conductuales de los estudiantes.
04/09/23
17/09/23
Experiencia con estudiantes
Periodo de interacción entre los estudiantes y la plataforma,
que incluye la finalización de los planes de estudio.
05/09/23
Envío del archivo PDF para
impresión
Preparar y enviar los archivos del examen para su impresión.
18/09/23
22/09/23
Aplicación de la evaluación
física
Administrar las pruebas físicas y enviar las hojas de
respuestas para su calificación.
28/09/23
Presentación de resultados
Presentación de los resultados obtenidos y evaluación de la
experiencia piloto con la plataforma.
Nota. Datos de investigación.
La recopilación de datos se planificó y ejecutó con el objetivo de capturar información
precisa y completa sobre el rendimiento de los estudiantes. Para ello, se utilizaron diferentes
fuentes de datos: 1. Plataforma de IA: Esta constituyó el objeto de estudio y el principal
instrumento de recopilación de datos, registrando datos cognitivos, psicométricos, pedagógicos
y conductuales de los estudiantes. Los algoritmos de la plataforma analizaron las interacciones
de los estudiantes, generando informes detallados y predictivos; 2. Simulaciones evaluativas:
Se aplicaron pruebas simuladas, desarrolladas con el apoyo de la plataforma, tanto al grupo
experimental como al grupo de control. Estas evaluaciones sirvieron de base para medir el
progreso alcanzado a lo largo del año escolar.
ASPECTOS ÉTICOS
La investigación se llevó a cabo utilizando datos educativos generados en el contexto
habitual de las actividades escolares. Todos los estudiantes participantes estaban matriculados
regularmente en las instituciones involucradas y participaban en las actividades pedagógicas
planificadas para su nivel educativo. Para fines de análisis científico, los datos se trataron de
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 9
forma agregada y anonimizada, sin identificación individual de los participantes. No se divulgó
información sensible. La participación de los estudiantes se desarrolló dentro del marco de las
actividades educativas regulares desarrolladas por las escuelas y la plataforma utilizada en el
estudio, preservando los principios de confidencialidad y protección de la información de los
participantes.
METODOLOGÍA DE ANÁLISIS DE COMPETENCIA
En el presente estudio, el análisis del rendimiento académico de los estudiantes se
realizó con base en la Teoría de Respuesta al Ítem (TRI). Esta teoría se desarrolló a partir del
trabajo de Georg Rasch, Birnbaum y Lord en las décadas de 1950 y 1960. Se basa en modelos
estadísticos para analizar la relación entre la competencia de un individuo y sus respuestas a los
ítems de una prueba. La teoría permite clasificar a los estudiantes en tres niveles distintos de
competencia (Wolins et al., 1982):
Alto nivel de competencia: Este grupo está formado por estudiantes con un alto nivel de
habilidades, que muestran una probabilidad significativamente mayor de responder
correctamente a las preguntas más complejas y desafiantes de la prueba. En el modelo de la
Teoría de Respuesta al Ítem (TRI), esta competencia se caracteriza por una alta estimación de
la habilidad latente, lo que permite a estos estudiantes resolver con eficacia problemas que la
mayoría de los demás participantes consideran difíciles (Baker, 2001).
Competencia promedio: Los estudiantes de este grupo tienen una tasa de éxito
moderada, ya que pueden responder correctamente a preguntas de dificultad intermedia, pero
experimentan dificultades con los ítems más complejos. En la representación gráfica de la
Teoría de Respuesta al Ítem (TRI), estos individuos se ubican en la región central de la curva
característica del ítem, con una probabilidad de alrededor del 50% de respuestas correctas en
preguntas de dificultad media (Baker, 2001).
Nivel de competencia bajo: Los estudiantes clasificados en este nivel presentan
dificultades significativas en el proceso de aprendizaje, con una probabilidad reducida de éxito
incluso en preguntas consideradas más accesibles. En el modelo de la Teoría de Respuesta al
Ítem (TRI), se identifican por puntuaciones bajas en la habilidad latente, lo que indica una
mayor necesidad de apoyo e intervenciones pedagógicas específicas (Andrade et al., 2000).
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 10
Esta segmentación permitió comprender con mayor detalle el impacto de la plataforma
en los diferentes perfiles de estudiantes, lo que posibilitó el desarrollo de estrategias más
eficaces para cada grupo de competencia.
EXTRACCIÓN DE INTELIGENCIA ARTIFICIAL
La obtención de estimaciones del nivel de competencia de los estudiantes fue posible
gracias a la tecnología de inteligencia artificial (IA) integrada en la plataforma educativa. La
solución desarrollada demostró la capacidad de identificar y categorizar los niveles de
competencia de los estudiantes a partir de un volumen limitado de interacciones con los ítems
de evaluación. Esta funcionalidad supera las limitaciones de los métodos de evaluación
tradicionales, proporcionando un análisis más preciso y detallado del rendimiento académico.
La metodología empleada por la plataforma para evaluar la competencia del estudiante
se basa en la Teoría de Respuesta al Ítem (TRI), aplicada de forma ampliada a un contexto más
amplio de la materia analizada. La competencia se entiende como la capacidad del estudiante
para dominar un conjunto determinado de contenidos y habilidades, extrapolada a partir de un
conjunto de preguntas de evaluación. Dado que una matriz pedagógica puede abarcar cientos
de temas, mientras que una evaluación tradicional solo cubre una fracción de este contenido, la
plataforma utiliza un modelo estadístico para inferir el conocimiento general del estudiante a
partir de sus respuestas a un subconjunto de preguntas.
El proceso de estimación se desarrolla en dos etapas principales: mediciones directas e
inferencias estadísticas. Inicialmente, las mediciones directas corresponden a las respuestas que
los estudiantes proporcionan a preguntas específicas dentro de la plataforma, como ejercicios,
pruebas o actividades estructuradas. Cada respuesta, correcta o incorrecta, representa datos
concretos sobre el nivel de conocimiento del estudiante respecto al tema tratado. A partir de
estas mediciones directas, se aplican inferencias estadísticas para extrapolar los resultados a
otros temas relacionados. Este proceso se basa en el principio de que ciertos conocimientos
tienen interdependencias lógicas. Por ejemplo, si un estudiante demuestra dominio de las
ecuaciones cuadráticas, es estadísticamente probable que también comprenda las ecuaciones
lineales y las operaciones numéricas fundamentales, ya que estos conceptos son prerrequisitos
para el aprendizaje del primer contenido.
La tecnología de inteligencia artificial empleada en la plataforma se basa en redes
neuronales artificiales, que funcionan de forma similar a los algoritmos de recomendación de
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 11
las redes sociales. El modelo agrupa a los estudiantes con patrones de interacción similares y
analiza su rendimiento histórico, lo que permite establecer correlaciones entre diferentes temas
dentro de la asignatura. Así, al identificar a un nuevo estudiante, la red neuronal busca agruparlo
con perfiles similares y, basándose en la información disponible, infiere su nivel de competencia
en diversas materias (Andrade et al., 2000; Baker, 2001).
El cálculo del nivel de competencia del estudiante se actualiza continuamente a medida
que se registran nuevas interacciones en la plataforma. El modelo utiliza una escala
estandarizada, de -3 a 3, en la que cada estudiante recibe una puntuación ajustada según sus
respuestas y los parámetros logísticos de las preguntas de evaluación. Con base en esta métrica,
la plataforma clasifica a los estudiantes en diferentes rangos de desempeño (bajo, medio y alto),
lo que facilita la personalización de las estrategias pedagógicas y la toma de decisiones
educativas.
De esta forma, la tecnología aplicada a la plataforma educativa permite una evaluación
dinámica y precisa del dominio del alumnado, superando las limitaciones de los métodos
convencionales y proporcionando un seguimiento continuo del desarrollo académico.
RESULTADOS
Esta sección presentará los resultados de la aplicación de la plataforma de aprendizaje
a clases de prueba de estudiantes de 9.º grado de la Enseñanza Fundamental de dos colegios
privados ubicados en las ciudades de São Luís (MA) y Ananindeua (PA). El análisis de datos
permitirá comprender cómo la herramienta influyó en el rendimiento académico de los
estudiantes, comparando los indicadores de desempeño antes y después de su implementación.
Además, busca identificar patrones de aprendizaje, avances en la asimilación de contenidos y
el impacto de la plataforma en la adaptación de las trayectorias de aprendizaje a las necesidades
específicas de cada estudiante, contribuyendo a una enseñanza más efectiva y personalizada.
DISTRIBUCIÓN DE COMPETENCIAS GLOBALES
El siguiente histograma (Figura 1) muestra la distribución de las competencias
psicométricas de los estudiantes, considerando una escala de -3 a +3. Las puntuaciones cercanas
a cero indican una competencia promedio, de acuerdo con los estándares nacionales. Los datos
indican una concentración significativa de estudiantes en los niveles promedio y bajos, lo que
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 12
refuerza la necesidad de intervenciones pedagógicas personalizadas para mejorar el
aprendizaje.
Figura 1.
Histograma de competencia general
Nota. Datos de investigación (2024).
Se observa una concentración predominante de estudiantes en el rango entre -1 y 1 en
la escala theta, lo que indica un predominio de niveles de competencia clasificados como
promedio. La presencia de estudiantes distribuidos en los rangos inferiores refuerza la
heterogeneidad de la población analizada y subraya la necesidad de estrategias de apoyo
pedagógico diferenciadas.
El análisis realizado en esta investigación establece un punto de referencia fundamental
para la implementación de soluciones educativas innovadoras basadas en inteligencia artificial,
desarrolladas por la plataforma. El objetivo principal de esta plataforma es potenciar y mejorar
el rendimiento académico de los estudiantes a lo largo de su trayectoria educativa,
proporcionando un entorno de aprendizaje más dinámico, adaptable y eficiente. Este enfoque
se alinea con la visión de que la IA, mediante el procesamiento de grandes volúmenes de datos,
impulsa el desarrollo de sistemas educativos adaptativos capaces de monitorear el progreso del
estudiante y ajustar continuamente el contenido, ofreciendo materiales de estudio
personalizados y rutas de aprendizaje individualizadas (Woolf, 2009).
Este proceso requiere un seguimiento sistemático y minucioso, que incluya
evaluaciones periódicas e intervenciones pedagógicas específicas, para garantizar que cada
estudiante reciba apoyo personalizado según sus necesidades y desafíos particulares. La
tecnología aplicada desempeña un papel fundamental en este contexto, ya que permite
identificar patrones de aprendizaje, posibilita ajustes personalizados en las trayectorias de
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 13
aprendizaje y promueve un desarrollo académico más acorde con las necesidades reales de los
estudiantes. Como destacan Anderson y Rainie (2018), el análisis de datos a gran escala
proporciona a los educadores la capacidad de identificar patrones de comportamiento y adaptar
la enseñanza a las características particulares de cada estudiante, transformando el rol del
docente en el de un facilitador más informado y estratégico (Luckin et al., 2016).
La distribución de datos presentada en el histograma demuestra la relevancia de
implementar estrategias pedagógicas basadas en la evidencia para abordar cualquier deficiencia
en el proceso de enseñanza-aprendizaje. El análisis refuerza la necesidad de enfoques
educativos fundamentados en datos cuantitativos, que permitan un seguimiento más preciso del
desempeño estudiantil. De esta manera, se hace posible adoptar intervenciones pedagógicas
específicas que promuevan una enseñanza más inclusiva y equitativa, alineada con las
necesidades individuales de los estudiantes, siempre con consideraciones éticas respecto a la
privacidad de sus datos (Anderson & Rainie, 2018).
DISTRIBUCIÓN DE LA COMPETENCIA POR ÁREA DE CONOCIMIENTO
El análisis de los niveles de competencia de los estudiantes se realiza en función de la
distribución de los valores del parámetro theta, que oscila entre -3 y 3. Este parámetro
representa la estimación de la competencia del estudiante dentro del modelo de la Teoría de
Respuesta al Ítem (TRI), un enfoque psicométrico desarrollado a partir del trabajo de Georg
Rasch, Birnbaum y Lord en las décadas de 1950 y 1960. La TRI se basa en el modelado
estadístico para analizar la relación entre la competencia de un individuo y sus respuestas a los
ítems de la prueba, lo que permite una clasificación más precisa de los estudiantes en diferentes
niveles de habilidad (Wolins et al., 1982; Baker, 2001; Andrade et al., 2000).
Los datos se presentan mediante gráficos que correlacionan los valores theta
(competencia del estudiante) con el número de estudiantes en cada rango de competencia. El
eje horizontal representa los valores del parámetro theta, mientras que el eje vertical muestra el
número de estudiantes en cada uno de estos rangos. La categorización de la competencia se
basa en rangos cualitativos, representados por diferentes colores: azul para estudiantes con baja
competencia, naranja para estudiantes con competencia media y verde para estudiantes con alta
competencia. Esta segmentación permite comprender en detalle el impacto de la plataforma en
los diferentes perfiles de estudiantes, facilitando el desarrollo de estrategias pedagógicas más
efectivas y específicas (Andrade et al., 2000).
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 14
Es importante destacar que los gráficos presentados reflejan los mismos principios
analíticos, diferenciándose únicamente en el alcance del área de conocimiento analizada. Así,
existen representaciones gráficas específicas para las áreas de Humanidades, Matemáticas,
Lenguas y Ciencias Naturales, lo que permite una evaluación más detallada del desempeño
estudiantil en cada una de ellas. La segmentación del análisis por áreas de conocimiento facilita
la identificación de patrones de aprendizaje distintivos, lo que contribuye a la formulación de
estrategias pedagógicas más eficaces, dado que la plataforma actualiza continuamente las
estimaciones de competencia estudiantil a medida que se registran nuevas interacciones,
clasificando a los estudiantes en diferentes rangos de desempeño para personalizar las
estrategias pedagógicas (Baker, 2001).
Figura 2.
Histograma de competencia en el área de Ciencias Humanas
Nota. Datos de investigación.
La Figura 2 refleja el mismo principio analítico que las demás figuras, diferenciándose
únicamente en el enfoque del área de conocimiento bajo análisis, en este caso, el área de
Ciencias Humanas.
En el área de Humanidades, se observa una mayor concentración de estudiantes en el
rango de competencia intermedio, con menor representación en los extremos de la distribución.
Este comportamiento sugiere una relativa homogeneidad en el rendimiento estudiantil en esta
área.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 15
Figura 3.
Histograma de competencia en el área de Lenguajes
Nota. Datos de investigación.
Al igual que las demás representaciones gráficas, la Figura 3 utiliza los mismos
principios analíticos, diferenciándose únicamente en su enfoque temático: el área de las
Lenguas.
En Lenguas, se observa una distribución similar a la que se encuentra en el dominio
general, con predominio de estudiantes en los niveles intermedios y una menor concentración
en los niveles extremos.
Figura 4.
Histograma de competencia en el área de Matemáticas
Nota. Datos de investigación.
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 16
La Figura 4 sigue los mismos principios metodológicos que las demás figuras,
ofreciendo un análisis específico del rendimiento en Matemáticas.
La distribución del nivel de competencia en Matemáticas muestra una mayor dispersión
de los resultados en comparación con otras áreas, lo que indica diferencias más pronunciadas
en el dominio del contenido evaluado.
Figura 5.
Histograma de competencia en el área de Ciencias Naturales
Nota. Datos de investigación.
La figura 5 sigue los mismos principios metodológicos que las demás figuras,
presentando la distribución de competencias en el área de Ciencias Naturales.
En Ciencias Naturales, existe una concentración significativa de estudiantes con niveles
de competencia intermedios, acompañada de una menor frecuencia de estudiantes en los rangos
superiores de la escala.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 17
Figura 6.
Mejora del rendimiento relativo por disciplina
Nota. Datos de investigación.
La Figura 6 ilustra la mejora relativa del rendimiento de los estudiantes, categorizados
según sus niveles de competencia (bajo, medio y alto) para los periodos 3 (T1) y 4 (T2). Las
barras representan la mejora promedio del rendimiento en cada una de estas categorías, lo que
proporciona una visión detallada del progreso académico de los estudiantes a lo largo de los
dos semestres analizados.
Además, las líneas verticales que acompañan a las barras indican los intervalos de
confianza, lo que garantiza un nivel de confianza del 95%. Este resultado sugiere que los datos
obtenidos tienen una alta fiabilidad, lo que demuestra consistencia en el análisis y minimiza la
influencia de variables externas.
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 18
Figura 7.
Mejora del rendimiento relativo por ruta (Bimestres 3 y 4)
Nota. Datos de investigación.
La Figura 7 demuestra que el uso de la plataforma proporcionó una ganancia relativa
promedio de aproximadamente el 49%, considerando todos los niveles de competencia (bajo,
medio y alto) y todas las asignaturas, en los dos periodos evaluados. El resultado observado en
los diferentes niveles de competencia apunta a un mejor desempeño en las evaluaciones de los
estudiantes que recibieron la intervención pedagógica proporcionada por la plataforma, lo que
indica que el uso de la herramienta contribuyó a la mejora del rendimiento académico,
independientemente del punto de partida, en términos de habilidades.
La presencia de mejoras en distintos niveles de competencia y en dos periodos
consecutivos demuestra la eficacia del apoyo educativo personalizado que ofrece la plataforma.
El enfoque adaptativo permite un aprendizaje optimizado a lo largo de la trayectoria académica
de los estudiantes, proporcionando un entorno de aprendizaje más dinámico y acorde a sus
necesidades individuales.
DISCUSIÓN
Esta investigación analizó los efectos de una intervención pedagógica mediada por IA
en el proceso de enseñanza-aprendizaje, utilizando indicadores cuantitativos y cualitativos. La
investigación se estructuró en dimensiones analíticas que permitieron una comprensión
segmentada de los múltiples aspectos involucrados, considerando la evolución del rendimiento
académico, la adherencia al plan de estudios, la participación en las actividades y la percepción
de la aplicabilidad de las estrategias utilizadas.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 19
Los resultados indicaron una evolución positiva en el rendimiento estudiantil en ambas
clases analizadas, con mayor énfasis en la unidad de São Luís, donde la adherencia al plan de
estudios fue más intensa y constante. Además del aumento en el promedio general, se
observaron mejoras en el dominio de competencias específicas, como la interpretación de
textos, la resolución de problemas y la aplicación de conceptos matemáticos en situaciones
contextualizadas, lo que sugiere que la enseñanza personalizada mediada por algoritmos de IA
contribuyó a abordar mejor las deficiencias individuales en el aprendizaje.
Sin embargo, algunos estudiantes mantuvieron un rendimiento por debajo de lo
esperado, lo cual se asoció con factores como la escasa adherencia al plan de estudios,
dificultades de concentración y lagunas preexistentes en el proceso de aprendizaje. Estos
hallazgos refuerzan la idea de que la tecnología, por sí sola, no garantiza el aprendizaje, y que
es necesario el apoyo pedagógico continuo de los docentes y el fortalecimiento de las estrategias
de motivación. El análisis reveló la complejidad del proceso de aprendizaje en contextos
mediados por la tecnología, reafirmando el papel insustituible del docente.
La participación estudiantil fue una variable central en el análisis, influyendo
directamente en la efectividad de la intervención pedagógica. En São Luís (MA), se observó
una mayor adherencia al plan de estudios, con estudiantes que accedían a la plataforma con
frecuencia y demostraban constancia en la realización de las actividades. En Ananindeua (PA),
la adherencia fue más heterogénea: algunos estudiantes mantuvieron una rutina de acceso
compatible con el plan, mientras que otros mostraron una participación limitada, relacionada
con factores como el acceso restringido a internet en el hogar y la falta de dispositivos propios.
Los aspectos cualitativos revelaron que muchos estudiantes mostraron entusiasmo al
principio, pero tuvieron dificultades para mantener la constancia a lo largo de las semanas,
especialmente durante los periodos que coincidían con evaluaciones presenciales más
intensivas. Se observó que la clase cuyo profesor supervisaba más de cerca el progreso de los
alumnos —comentando los resultados, fomentando la finalización de las tareas e integrando el
plan de estudios con el contenido de clase— mostró mayor participación, lo que refuerza la
importancia de la mediación del profesor como elemento fundamental en la motivación
estudiantil.
La evidencia observada indicó distintos niveles de familiaridad, interés y autonomía por
parte de los estudiantes. Se observó una respuesta particularmente positiva entre los estudiantes
con mayor dominio de los recursos digitales y organización en sus estudios, quienes accedieron
a la plataforma de forma constante y demostraron progreso a lo largo del proceso.
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 20
Por el contrario, algunos estudiantes mostraron una baja participación en las actividades
digitales a pesar de tener acceso a la plataforma. Los informes informales de los docentes
indican que el plan de aprendizaje personalizado contribuyó a una mayor claridad en los
objetivos de estudio y la gestión del tiempo, y que los estudiantes se sintieron más seguros al
visualizar su progreso. Sin embargo, también se observaron dificultades relacionadas con el
tiempo de adaptación requerido por la propuesta, especialmente entre los estudiantes
acostumbrados a los modelos de enseñanza tradicionales. La transición a un formato en el que
el estudiante asume un rol más activo reveló resistencia por parte de algunos estudiantes, lo que
refuerza la importancia de un proceso de adaptación gradual con orientación y apoyo continuo.
Si bien los resultados generales indicaron un progreso significativo, es fundamental
destacar las limitaciones de la intervención. La autonomía requerida por la propuesta resultó un
desafío para algunos estudiantes, especialmente para aquellos acostumbrados a un modelo más
directivo. El rol del docente en el proceso de mediación fue crucial: en contextos donde los
docentes brindaron apoyo sistemático y continuo, los resultados pedagógicos fueron más
positivos. Por el contrario, cuando este apoyo se produjo de forma esporádica u ocasional, se
produjo una pérdida de continuidad en el proceso.
La duración de la intervención también fue un factor relevante. Si bien el período de
aplicación fue suficiente para observar tendencias, no lo fue para evaluar los efectos a mediano
y largo plazo. El uso continuado de la plataforma durante todo un año escolar permitiría un
análisis más sólido de los impactos pedagógicos. Estas limitaciones ponen de manifiesto la
complejidad de integrar los recursos tecnológicos en la práctica pedagógica, lo que exige una
planificación cuidadosa, una mediación cualificada y una atención constante a las
desigualdades en el acceso.
Los datos indican que los estudiantes que utilizaron itinerarios de aprendizaje
personalizados mostraron un aumento significativo en sus calificaciones. Estos hallazgos
corroboran la literatura que destaca la eficacia de las plataformas adaptativas, como se analiza
en Educação para a era da inteligência artificial (Fadel et al., 2024), que analiza cómo la IA
puede personalizar la enseñanza para satisfacer las necesidades individuales de los estudiantes.
Se observó que los estudiantes con un nivel de competencia inicial alto y medio
experimentaron mejoras más significativas, mientras que aquellos con un nivel bajo mostraron
un progreso más modesto. Esta tendencia sugiere que, si bien la personalización beneficia a la
mayoría de los estudiantes, aquellos con mayores dificultades podrían requerir apoyo adicional.
Esta observación coincide con los debates en Educação e Plataformas digitais: popularizando
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 21
saberes, potencialidades e controvérsias (Alves & Lopes, 2024) que abordan el potencial y los
desafíos de las plataformas digitales en la educación.
La efectividad de las plataformas de aprendizaje personalizado se debate ampliamente
en la literatura reciente. El libro Plataformas adaptativas na educação (Assis et al., 2023)
destaca que el uso de plataformas adaptativas permite una experiencia de aprendizaje
personalizada, satisfaciendo las necesidades específicas de cada estudiante y promoviendo un
aprendizaje más efectivo. Además, Inteligência artificial na educação: rumo a uma
aprendizagem personalizada (Barbosa et al., 2023) explora cómo se puede aplicar la IA en la
educación para crear entornos de aprendizaje adaptativos capaces de ajustar el contenido y el
ritmo de enseñanza según el rendimiento y las preferencias de cada estudiante.
La observación directa de la intervención reveló que la tecnología no actúa de forma
autónoma ni neutral en el proceso educativo. Su impacto depende directamente de cómo la
media el docente, la comprenden los estudiantes, la contextualizan las instituciones y la apoyan
los padres. La personalización que ofrece la IA representa una innovación importante, pero su
eficacia está condicionada por el nivel de participación del alumnado, la formación del
profesorado y la infraestructura disponible.
Incluso en las escuelas privadas, la equidad en el acceso a los recursos tecnológicos
sigue siendo un desafío importante. La existencia de estudiantes con acceso limitado a
dispositivos e internet fuera del ámbito escolar compromete la continuidad del aprendizaje
personalizado, lo que agrava las desigualdades existentes en el sistema educativo. Esto pone de
manifiesto la necesidad de que el uso de la IA en la educación se entienda no solo como una
innovación técnica, sino también como una política pública.
La demanda de autonomía por parte del alumnado plantea nuevos retos a la cultura
escolar. No todos los alumnos han demostrado la madurez o la confianza necesarias para
gestionar su propio aprendizaje sin el apoyo constante del profesor, lo que refuerza la
importancia del rol docente como factor insustituible. El profesor asume el rol de gestor de
contenidos, mentor del proceso y responsable de guiar al alumnado.
Otro aspecto relevante se refiere a la evaluación del aprendizaje. Si bien la plataforma
utiliza algoritmos basados en la Teoría de Respuesta al Ítem (TRI), es necesario analizar
cuidadosamente el uso de los datos de rendimiento para que el aprendizaje no se reduzca a la
mera medición de resultados. La IA puede ayudar en el diagnóstico, pero una comprensión
integral del proceso de aprendizaje sigue requiriendo sensibilidad pedagógica y un análisis
cualitativo del contexto de cada estudiante.
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 22
Si bien los indicadores de desempeño utilizados en este estudio se basan en evaluaciones
estandarizadas y métricas derivadas de la Teoría de Respuesta al Ítem, se reconoce que el
aprendizaje no puede reducirse exclusivamente a los resultados de las pruebas. El desarrollo de
habilidades socioemocionales, pensamiento crítico, creatividad, autonomía intelectual y la
capacidad para resolver problemas complejos trascienden los indicadores cuantitativos
empleados en esta investigación. Por lo tanto, los resultados presentados deben interpretarse
como evidencia relacionada con el desempeño académico medible, y no como la totalidad de
los procesos formativos involucrados en la educación.
En este sentido, la personalización promovida por la plataforma no se entendió como
un mecanismo destinado exclusivamente a la preparación para las evaluaciones, sino como una
estrategia para identificar lagunas de aprendizaje y orientar intervenciones pedagógicas más
individualizadas. Aun así, futuras investigaciones podrían ampliar este análisis incorporando
indicadores cualitativos relacionados con el desarrollo integral del alumnado.
Finalmente, es importante destacar que la integración de la IA en la educación aún se
encuentra en fase de consolidación y experimentación en muchos contextos escolares. La
tecnología debe entenderse como un medio, no como un fin. Su verdadero potencial reside en
apoyar la construcción de una educación más equitativa, flexible y centrada en el estudiante,
siempre que vaya acompañada de formación docente continua, infraestructura adecuada y
políticas educativas comprometidas con la inclusión y la calidad educativa.
CONSIDERACIONES FINALES
Esta investigación estudió el impacto de la implementación de una plataforma educativa
basada en IA para personalizar la enseñanza de estudiantes de 9.º grado de la Enseñanza
Fundamental de dos escuelas privadas brasileñas ubicadas en las regiones Norte y Noreste. Los
resultados mostraron que las rutas de aprendizaje personalizadas contribuyeron a mejorar el
rendimiento estudiantil, independientemente de su nivel de conocimientos previos.
La sistematización del contenido, guiada por algoritmos adaptativos, permitió
identificar dificultades individuales y ofrecer un apoyo pedagógico más adecuado. La
personalización proporcionada por la IA influyó positivamente en los índices de éxito en las
evaluaciones, especialmente entre los estudiantes que siguieron el enfoque de forma constante.
El seguimiento individualizado que ofrecen los informes de la plataforma permitió realizar
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 23
ajustes pedagógicos más precisos, reforzando el rol del docente como mediador y facilitador
del proceso de aprendizaje.
En concreto, el uso de la plataforma proporcionó una ganancia relativa promedio de
aproximadamente el 49%, considerando todos los niveles de competencia y todas las
asignaturas a lo largo de los dos periodos evaluados. Además, se observó el desarrollo de
habilidades como la autogestión, la toma de decisiones y la autorregulación, esenciales para la
formación de estudiantes más críticos y autónomos.
Limitaciones del estudio
Entre las limitaciones de este estudio, destacan las siguientes: el reducido número de
instituciones participantes, la concentración del análisis en escuelas privadas pertenecientes a
la misma red educativa, el período de intervención relativamente corto y la imposibilidad de
controlar variables externas potencialmente asociadas al rendimiento académico, como las
características del profesorado, las condiciones de la infraestructura, el contexto
socioeconómico, el apoyo familiar y el nivel de implicación individual del alumnado. Por lo
tanto, los resultados observados no deben atribuirse exclusivamente al uso de la inteligencia
artificial, sino que deben interpretarse dentro de un conjunto más amplio de factores que
influyen en los procesos educativos.
Se recomienda que las investigaciones futuras utilicen muestras más amplias, abarquen
diferentes contextos educativos y adopten metodologías complementarias, incluidos enfoques
cualitativos, para profundizar en la comprensión del impacto de la inteligencia artificial en el
aprendizaje.
Los resultados de esta investigación demuestran el potencial de las soluciones
tecnológicas para fortalecer el aprendizaje, reiterando la importancia de concebir la educación
del siglo XXI desde una perspectiva ética, crítica y humanizada, comprometida con la inclusión
y la calidad. Se espera que los resultados aquí presentados sirvan de apoyo a futuras iniciativas,
fomenten el debate sobre el uso responsable de la tecnología en la educación y contribuyan a la
construcción de prácticas pedagógicas más innovadoras, eficaces y sensibles que respondan a
las necesidades de quienes participan en el proceso educativo.
Inteligencia artificial en la educación: cómo los algoritmos adaptativos pueden elevar el rendimiento académico
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 24
REFERENCIAS
Alves, L., & Lopes, D. (2024). Educação e plataformas digitais: Popularizando saberes,
potencialidades e controvérsias. EDUFBA.
Anderson, J., & Rainie, L. (2018). The future of well-being in a tech-saturated world (Vol. 17).
Pew Research Center. https://www.pewresearch.org
Andrade, F. D., Tavares, R. H., & Valle, C. R. (2000). Teoria da resposta ao item: Conceitos e
aplicações.
Assis, A. H. S. de, Dourado, D., Burani, G. A., Silva, I. F. da, Araújo, J. B. de, & Costa, L. A.
da. (2023). Plataformas adaptativas na educação. Pimenta Cultural.
https://doi.org/10.31560/pimentacultural/2023.97488
Baker, F. B. (2001). The basics of item response theory. ERIC Clearinghouse on Assessment
and Evaluation.
Barbosa, L., Souza, P., Antonio, G., Joerke, O., Macedo, Y. M., Ferreira Vale, R., De Pádua, A.,
Oliveira, J., Suarez, M., Santo, D., Gomes, C. A., Cristina, S., Gomes, V., Alberti, R.,
Flávio, J., & Paz, D. (2023). Inteligência artificial na educação: Rumo a uma
aprendizagem personalizada. IOSR Journal of Humanities and Social Science, 28(5),
19–25. https://doi.org/10.9790/0837-2805031925
Carbonell, J. R. (1970). An artificial-intelligence approach to computer-assisted instruction.
IEEE Transactions on Man-Machine Systems, 11(4), 190–202.
Fadel, C., Black, A., Taylor, R., Slesinski, J., & Dunn, K. (2024). Educação para a era da
inteligência artificial (1ª ed.). Todos pela Educação; Moderna.
Fisher, J. (2010). Development and application of a spiritual well-being questionnaire called
SHALOM. Religions, 1(1), 105–121. https://doi.org/10.3390/rel1010105
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial intelligence in education: Promise and
implications for teaching and learning. Center for Curriculum Redesign.
https://www.researchgate.net/publication/332180327
Luckin, R., Holmes, W., Griffiths, M., & Forcier, L. B. (2016). Intelligence unleashed: An
argument for AI in education. Pearson.
Papert, S. (1993). Mindstorms: Children, computers, and powerful ideas (2nd ed.). Basic
Books.
Sleeman, D., & Brown, J. S. (Eds.). (1982). Intelligent tutoring systems. Academic Press.
UNESCO. (2024). Global education monitoring report 2024/5: Leadership in education – Lead
for learning. UNESCO. https://unesdoc.unesco.org
UNICEF, UNESCO, & International Telecommunication Union. (2020). The digital
transformation of education: Connecting schools, empowering learners.
Marcelo de Queiroz Silva Matos, Helena Brandão Viana, Ernandes Rodrigues Nascimento & Cristina Zukowsky Tavares
RPGE – Revista on line de Política e Gestão Educacional, Araraquara, v. 30, n. 00, e026056, 2026. e-ISSN: 1519-9029
DOI: 10.22633/ rpge.v 30i00.21254 25
Wolins, L., Wright, B. D., & Rasch, G. (1982). Probabilistic models for some intelligence and
attainment tests. Journal of the American Statistical Association, 77(377), 482–483.
https://doi.org/10.2307/2287805
Woolf, B. P. (2009). Building intelligent interactive tutors: Student-centered strategies for
revolutionizing e-learning. Elsevier.
I nt eli g e n ci a artifici al e n l a e d u c a ci ó n: c ó m o l os al g orit m os a d a pt ati v os p u e d e n el e v ar el r e n di mi e nt o a c a d é mi c o
R P G E – R e vist a o n li n e d e P olíti c a e G estã o E d u c a ci o n al , Ar ar a q u ar a, v. 3 0, n. 0 0, e 0 2 6 0 5 6, 2 0 2 6. e -I S S N: 1 5 1 9 -9 0 2 9
D OI: 1 0. 2 2 6 3 3/ r p g e. v 3 0i 0 0. 2 1 2 5 4 2 6
C R e di T A ut h or St at e m e nt
R e c o n o ci mi e nt o : U N A S P -E C.
Fi n a n ci a ci ó n : N o.
C o nfli ct os d e i nt e r és : N o e xist e n c o nfli ct os d e i nt er és.
A p r o b a ci ó n éti c a : N o a pli c a. L a i n v esti g a ci ó n r es p et ó l os pri n ci pi os éti c os a pli c a bl es a l a
pr o d u c ci ó n ci e ntífic a. S ol o s e utili z ar o n d at os s e c u n d ari os e i nf or m a ci ó n i nstit u ci o n al, si n
i d e ntifi c ar a l os p arti ci p a nt es, y n o s e r e c o pil ó i nf or m a ci ó n dir e ct a m e nt e d e s er es h u m a n os.
P or l o t a nt o, s e g ú n l a n or m ati v a vi g e nt e, el est u di o n o r e q uiri ó l a r e visi ó n d e u n C o mit é d e
Éti c a e n I n v esti g a ci ó n.
Dis p o ni bili d a d d e d at os y m at e ri al es : L os d at os q u e r es p al d a n l os r es ult a d os d e est a
i n v esti g a ci ó n n o est á n dis p o ni bl es e n u n r e p osit ori o p ú bli c o, p er o el a ut or c orr es p o n di e nt e
p u e d e f a cilit arl os pr e vi a s oli cit u d r a z o n a bl e y c o n s uj e ci ó n a l as c o nsi d er a ci o n es éti c as y d e
c o nfi d e n ci ali d a d a pli c a bl es.
C o nt ri b u ci o n es d e l os a ut o r es : M ar c el o Sil v a (r e c o pil a ci ó n de d at os; a n álisis e
i nt er pr et a ci ó n d e d at os; r e d a c ci ó n d el t e xt o); H el e n a B. Vi a n a ( c o n c e p ci ó n d e l as i d e as
i ni ci al es, a n álisis d e d at os y r e visi ó n fi n al d el t e xt o); Er n a n d es R. N as ci m e nt o ( c o ntri b u ci ó n
d el m ar c o t e óri c o, r e visi ó n p ar ci al d e l t e xt o) y Cristi n a Z. Ta v ar es ( v ali d a ci ó n y r e visi ó n d el
t e xt o).
P r o c es a mi e nt o y e dici ó n: E dit o r a I b e r o -A m e ri c a n a d e E d u c a ç ã o
C orr e c ci ó n d e pr u e b as, f or m at o, est a n d ari z a ci ó n y tr a d u c ci ó n
