Referência no mercado educacional, com um ambiente virtual de ensino que une produção de conteúdo didático e Inteligência Artificial para personalizar a jornada de aprendizagem de cada aluno.
O aluno não pode ficar preso num conteúdo que já sabe, nem avançar sem dominar o que vem antes.
Case de Product Design: como estruturamos a Central de TAGs de conhecimento que conecta o CMS de conteúdo didático ao motor de IA de Ensino Adaptativo, colocando a curadoria dos autores no centro do processo.Contexto pedagógico
Aprendizagem adaptativa é personalizar o ensino para as necessidades de cada aluno, usando dados para ajustar conteúdo e ritmo conforme o progresso e o estilo de aprendizagem de cada um. É o oposto de tratar a turma toda do mesmo jeito.
Contexto tecnológico
O workflow de produção de conteúdo e materiais didáticos rodava num CMS pouco flexível, que exigia gambiarras constantes tanto para atender os autores de conteúdo quanto para dar suporte às implementações de IA que a empresa queria fazer.
O objetivo do projeto era identificar o nível de proficiência do aluno em cada componente de aprendizagem, usando diferentes jornadas de tagueamento capazes de detectar coisas como falta de conhecimento em matérias específicas (K12) ou leitura de má qualidade do material (conceito-chave).
Squad de Produto
Produção de conteúdo acadêmico , dono do processo e da priorização das soluções.
Squad Acadêmica
Autores e revisores de conteúdo didático, quem usa a curadoria no dia a dia.
Squad de IA
Pesquisadores e desenvolvedores por trás do motor de sugestão de TAGs.
Métricas acompanhadas
Tempo médio de leitura, acertos e erros em questões, respostas ao chatbot e indicações de matérias predecessoras feitas pela IA.
1ª etapa - Discovery com especialistas
Fizemos várias reuniões de alinhamento com o time de IA para entender os tipos de segmentação que orientam a lógica do modelo e levantar os requisitos funcionais obrigatórios para integrar o CMS de material didático ao motor de IA.
Reaproveitamento
Tagueamento para evitar duplicação de conteúdos já existentes. Interessa ao time acadêmico, mas não tem relação direta com o Ensino Adaptativo.
Predecessoras
Nível Graduação. Conteúdo estruturado em sequência, onde uma etapa depende da anterior para o aluno completar o conhecimento.
K12
Nível Ensino básico. Revisão de elementos básicos para quem parou de estudar há um tempo e está retomando , sem depender só da cadeia sequencial.
Conceito-chave
Trechos que o autor marca como cruciais para o aprendizado: resumo do capítulo, parágrafo relevante, palavras-chave.
Testes com o motor de IA
Na disciplina de Engenharia, testamos identificação semântica via IA para associar automaticamente Knowledge Components (KCs) a trechos do conteúdo. A IA gerou as tags por disciplina, o time de Experiência Digital consolidou as sugestões numa planilha e a equipe docente validou as relações propostas.
Daí veio a oportunidade: construir uma interface de apoio à curadoria, com visualização clara das sugestões da IA, filtros para priorizar as tags mais relevantes e um fluxo de validação que não pesasse tanto no dia a dia dos docentes.
Núcleo da Central de TAGs
O fluxo mapeia a tarefa do autor ou revisor desde o upload do material até a validação final das TAGs sugeridas pela IA , sem revisar as TAGs pendentes, a aula não pode ir para "concluído".
1. Upload do material didático
Autor ou revisor sobe o material da aula, que fica armazenado no CMS.
2. Interpretação do sistema
O sistema checa se é o primeiro upload do arquivo daquela aula.
3. Leitura pelo motor de IA
No primeiro upload, a IA lê e processa o template preenchido pelo autor em segundo plano e guarda o resultado da análise.
4. Decisão manual do autor/revisor
Define se a aula precisa da revisão das TAGs sugeridas pela IA.
5. Validação do sistema
O sistema confere se já há TAGs cadastradas para a aula.
6. Autor define e valida as TAGs
Sem TAGs cadastradas, o autor precisa definir e validar as TAGs da aula antes de concluir: Reaproveitamento, Autores, K12 e Predecessoras.
7. Sugestões de TAG ou acionamento manual
No primeiro upload a IA já retorna as sugestões; nos demais, o autor/revisor precisa acionar o motor manualmente.
8. Validação das sugestões pelo autor
O autor valida, cria, deleta ou associa as TAGs sugeridas à aula.
9. TAGs vinculadas à aula
Atualização das TAGs no banco de dados fecha o ciclo de revisão.
