Mas havia uma diferença fundamental. Metade dos alunos foi designada aleatoriamente para uma sequência fixa de problemas práticos, progredindo do fácil ao difícil. A outra metade recebeu uma sequência personalizada com o tutor de IA ajustando continuamente a dificuldade de cada problema com base no desempenho do aluno e na interação com o chatbot.
A ideia baseia-se no que os educadores chamam de “zona de desenvolvimento proximal”. Quando os problemas são muito fáceis, os alunos ficam entediados. Quando são muito difíceis, os alunos ficam frustrados. O objetivo é manter os alunos em uma situação ideal: desafiados, mas não sobrecarregados.
Os pesquisadores descobriram que os alunos do grupo personalizado tiveram melhor desempenho no exame final do que os alunos do grupo de problemas fixos. A diferença foi caracterizada como o equivalente a 6 a 9 meses de escolaridade adicional, uma reivindicação atraente para um curso online pós-escola que durou apenas cinco meses. O inventor do tutor de IA, Angel Chung, estudante de doutorado na Wharton School, reconheceu que sua conversão de unidades estatísticas “não era uma estimativa perfeita”. (Um rascunho do artigo sobre o experimento foi publicado online em março de 2026, mas ainda não foi publicado em um periódico revisado por pares.)
Ainda assim, esta é uma evidência precoce de que pequenos ajustes – neste caso, calibrar a dificuldade dos problemas práticos para o aluno – podem fazer a diferença.
Chung disse que as respostas do ChatGPT já podem parecer muito pessoais porque respondem diretamente às perguntas exclusivas de um aluno. Mas esse nível de personalização não é suficiente. “Os alunos geralmente não sabem o que não sabem”, disse Chung. “O aluno não tem a capacidade de fazer as perguntas certas para obter a melhor tutoria.”
Para resolver isso, a equipe de Chung combinou um grande modelo de linguagem com um algoritmo separado de aprendizado de máquina que analisa como os alunos interagem com a plataforma do curso on-line – como eles respondem às questões práticas, quantas vezes revisam ou edita sua codificação e a qualidade de suas conversas com o chatbot – e usa essas informações para decidir qual problema resolver em seguida.
Como diferentes alunos interagem com o tutor do chatbot
Em outras palavras, a personalização não envolve apenas adaptar explicações. Trata-se de adaptar o próprio caminho de aprendizagem.
Essa ideia não é nova.
Muito antes de ferramentas generativas de IA como o ChatGPT serem inventadas, os pesquisadores em educação desenvolveram “sistemas de tutoria inteligentes” que tentavam fazer algo semelhante: estimar o que um aluno sabia e apresentar o próximo problema certo. Esses sistemas anteriores não conseguiam produzir conversas naturais, mas podiam fornecer dicas e feedback instantâneo. Estudos rigorosos descobriram que versões bem projetadas ajudaram os alunos a aprender significativamente mais.
O calcanhar de Aquiles deles era o noivado. Muitos estudantes simplesmente não queriam usá-los.
As ferramentas de IA atuais poderiam ajudar a resolver esse problema. Os alunos podem se sentir mais interessados em um chatbot que converse com eles de uma forma quase humana.
No estudo da Universidade da Pensilvânia, os alunos do grupo personalizado passaram mais tempo praticando, cerca de três minutos adicionais por problema, totalizando cerca de uma hora por módulo no curso de Python, em comparação com metade do tempo (meia hora ou menos) para os alunos de comparação. Os pesquisadores acham que esses alunos se saíram melhor porque estavam mais engajados em seus trabalhos práticos.
O conhecimento prévio dos alunos sobre um assunto afetou o funcionamento do sequenciamento personalizado. Os alunos que eram novos em Python ganharam mais do que aqueles que já tinham experiência em Python, que se saíram igualmente bem com a sequência fixa de problemas práticos. Os estudantes de escolas secundárias menos elitistas também pareceram beneficiar mais.
Como o histórico dos alunos afetou os resultados
Todos os estudantes taiwaneses neste estudo se voluntariaram para um curso opcional de programação de computadores que poderia fortalecer suas inscrições universitárias. Muitos eram altamente motivados, com pais altamente qualificados e muitos já tinham experiência anterior em codificação.
Não está claro se o chatbot funcionaria tão bem com alunos menos motivados, que estão atrasados na escola e que mais precisam de ajuda extra.
Uma solução possível: fundir o novo e o antigo.
Ken Koedinger, professor da Carnegie Mellon University e pioneiro em sistemas de tutoria inteligentes, está experimentando o uso de novos modelos de IA para alertar tutores humanos remotos que podem motivar alunos com dificuldades que estão adormecendo. “Estamos tendo mais sucesso”, disse Koedinger.
Os humanos não estão obsoletos – ainda.
Esta história sobre Eu tenho tutores foi produzido por O Relatório Hechingeruma organização de notícias independente e sem fins lucrativos que cobre educação. Inscreva-se para Pontos de prova e outros Boletins informativos Hechinger.
