Aprendizagem adaptativa: a personalização à escala, finalmente?

A personalização é o Graal pedagógico: adaptar o ritmo, a dificuldade e os exemplos a cada aluno. Historicamente, só a tutoria individual o conseguia — daí a diferença dos dois desvios-padrão medida por Bloom entre o ensino em grupo e o preceptorado ^[1]. Os sistemas adaptativos clássicos (árvores de regras, bancos de itens) aproximavam-se da ideia sem a flexibilidade da linguagem. Os grandes modelos mudam o panorama: podem explicar de outra forma, reformular ao instante, gerar um exercício calibrado.

O que a IA torna possível hoje

Sistemas recentes combinam plano de estudo personalizado, assistência em tempo real e atividades adaptativas. O protótipo LearnMate², por exemplo, melhora simultaneamente os resultados e a experiência de aprendizagem face a ferramentas de referência ^[2]. De forma mais ampla, a comunidade de investigação formaliza o encontro entre os LLM e a aprendizagem adaptativa, com o humano no ciclo ^[3].

• Diagnóstico contínuo do nível e das lacunas a partir das respostas.
• Dificuldade ajustada dinamicamente para permanecer na zona de desenvolvimento proximal.
• Explicações múltiplas de um mesmo conceito, adaptadas ao perfil.
• Remediação orientada em vez da repetição uniforme da matéria.

O desafio não é apenas individual. A OCDE sublinha que a IA pode ser implementada deliberadamente para reduzir desigualdades — abandono escolar, fosso de género na matemática, alunos oriundos da imigração — desde que essa implementação seja acompanhada de salvaguardas ^[4]. Personalização e equidade podem andar de mãos dadas, mas nada é automático.

Uma armadilha técnica: a personalização que degrada o modelo

Este resultado convida a preferir arquiteturas em que a personalização vive fora do modelo — perfis, memória do aluno, recuperação de conteúdos — em vez de gravada nos pesos. É também uma boa notícia para a confidencialidade: separar o modelo genérico dos dados pessoais facilita uma governação controlada, particularmente importante no contexto europeu e suíço.

Limites a ter em mente

O relatório de 2025 do AI Index recorda que o acesso à informática e à IA na escola progride, mas continua desigual, e que os professores se sentem muitas vezes mal preparados ^[6]. A personalização algorítmica pode também aprisionar um aluno num perfil fixo, ou refletir enviesamentos dos dados. Exige transparência, controlo humano e avaliação de impacto.

Personalizar não é apenas adaptar a dificuldade; é preservar a autonomia e a ambição do aluno.

Síntese Learnya

A aprendizagem adaptativa impulsionada pela IA não é, portanto, nem uma varinha mágica nem um gadget: é uma capacidade real, cujo valor depende da conceção, da qualidade dos dados e do quadro de governação que a rodeia.

Personalização não é sinónimo de aprisionamento

Um mal-entendido frequente reduz a personalização a «dar a cada um aquilo em que já é bem-sucedido». Entendida assim, pode empobrecer: um aluno aprisionado num perfil deixa de encontrar a dificuldade que o faria progredir, ou a diversidade que alarga os seus horizontes. A boa personalização ajusta o apoio, não a ambição. Visa a zona de desenvolvimento proximal — desafio suficiente para aprender, apoio suficiente para ter sucesso.

Isto pressupõe dados de qualidade e uma vigilância sobre os enviesamentos. Se o modelo que orienta a adaptação se apoia em correlações históricas, corre o risco de reproduzir as desigualdades do passado, propondo sistematicamente menos ambição a certos grupos. A OCDE insiste precisamente nesta dupla exigência: implementar a IA para reduzir as desigualdades, mas acompanhá-la de salvaguardas contra os efeitos discriminatórios ^[4].

No plano técnico, o desafio é separar de forma clara três coisas: o modelo genérico (competências de linguagem e de raciocínio), a memória do aluno (o que sabe, o que pretende) e a lógica de adaptação (como escolher a próxima atividade). Esta separação evita degradar o modelo ao especializá-lo ^[5], facilita a auditoria e permite manter os dados pessoais num espaço controlado — um ponto decisivo para a confiança e a soberania.

Rumo a uma personalização transparente

A próxima etapa da aprendizagem adaptativa não é técnica, mas ética: tornar a personalização transparente e contestável. Um aluno, um pai, um professor deveriam poder compreender por que motivo determinado exercício foi proposto e poder inflectir a trajetória. Uma personalização opaca, mesmo eficaz, mina a autonomia que afirma servir.

Pode-se antecipar uma convergência entre a adaptação fina e o respeito pela privacidade, sustentada por arquiteturas que mantêm o perfil do aluno num espaço controlado. Longe de serem contraditórias, personalização e soberania dos dados reforçam-se: quanto melhor se sabe que dados servem para quê, mais se pode adaptar com rigor e confiança. É esta combinação, mais do que a potência bruta dos modelos, que fará a diferença.