No mundo da tecnologia educacional, “personalização” é uma palavra da moda frequentemente usada para descrever software que ajusta a dificuldade com base no fato de o aluno acertar ou não uma resposta. No entanto, de acordo com Dr. Nicola Hodkowski, um investigador líder em educação matemática, esta abordagem é fundamentalmente falha. Para realmente melhorar o raciocínio matemático, a IA deve ir além da simples correção de erros e começar a compreender como os alunos pensam.
A lição da sala de aula: indo além de “mostrar e contar”
A necessidade dessa mudança está enraizada na experiência prática em sala de aula. Durante seus oito anos como professora de matemática do ensino fundamental, a Dra. Hodkowski percebeu que os métodos tradicionais – como prática extra ou uso de manipuladores físicos – muitas vezes eram apenas “soluções superficiais”. Eles trataram os sintomas da luta e não a causa raiz.
O avanço ocorreu quando ela parou de tentar “transferir” seu próprio conhecimento matemático para seus alunos e, em vez disso, começou a construir um Modelo de Segunda Ordem (SOM) de seu raciocínio.
O poder de inferir processos de pensamento
Em vez de apenas ver uma resposta errada, o Dr. Hodkowski começou a procurar a lógica por trás do erro. Ela aprendeu a distinguir entre diferentes estágios cognitivos, como:
– Contagem por unidades individuais: Um aluno que conta cada indivíduo “1” para resolver um problema.
– Contagem por unidades compostas: Um aluno que entende grupos (por exemplo, contar por 2, 5 ou 10 segundos).
Ao identificar quais “unidades” um aluno estava usando para operar, ele poderia projetar atividades específicas para preencher a lacuna entre a compreensão atual e o próximo nível de complexidade.
O Resultado: Essa mudança pedagógica levou a um salto dramático no desempenho dos alunos. Em sua sala de aula, a porcentagem de alunos com pontuação nos níveis “Proficiente” ou “Avançado” saltou de 58% para 85% em um único ano — superando em muito o crescimento observado em sua escola e distrito.
A lacuna na tecnologia atual de IA
Apesar do sucesso desta abordagem centrada no ser humano, as atuais ferramentas educacionais baseadas na IA são insuficientes. A maioria das plataformas existentes opera em um modelo de “primeira ordem”: elas identificam um erro e então fornecem uma solução “mostre e conte” – essencialmente orientando o aluno nas etapas corretas.
Isto falha porque a matemática não é uma questão de simples transmissão. Aprender um novo conceito requer uma transformação conceitual, onde o aluno deve conectar novas ideias às suas estruturas mentais existentes. Se uma IA não consegue inferir por que um aluno está travado, ela não pode facilitar essa transformação.
Um roteiro para o futuro da EdTech
Para passar da simples avaliação para a instrução matemática genuína, o Dr. Hodkowski argumenta que os desenvolvedores de IA devem priorizar a pedagogia adaptativa do aluno. Ela descreve três pilares críticos para a próxima geração de ferramentas de IA:
- Inferir o raciocínio subjacente: Os algoritmos não devem apenas sinalizar uma resposta incorreta; eles devem distinguir entre diferentes operações mentais (por exemplo, identificar se um aluno está lutando com o valor posicional versus a adição básica).
- Guiar a transformação conceitual: Em vez de fornecer dicas que levam a uma resposta rápida, a IA deve gerar tarefas que desafiem intencionalmente o modo de pensar atual do aluno, empurrando-o para um raciocínio de ordem superior.
- Apoie a percepção do professor: a IA deve atuar como um “parceiro reflexivo” para os educadores, fornecendo-lhes dados acionáveis sobre o estado cognitivo de um aluno para informar um melhor planejamento das aulas.
Conclusão
O futuro da educação matemática reside em ir além da personalização superficial. Para que a IA seja uma força transformadora, deve deixar de agir como uma resposta digital e começar a agir como um professor capaz de compreender as nuances do raciocínio humano.
