Modelo dinâmico inspirado em mecanismos adaptativos de inteligência artificial para a formação em engenharia e o design de sistemas complexos: uma abordagem baseada em sistemas diferenciais não lineares
DOI:
https://doi.org/10.58951/dataset.2026.001Palavras-chave:
Inteligência Artificial, Modelação Matemática, Ensino de Engenharia, Sistemas Dinâmicos, Aprendizagem Adaptativa, Sistemas Educacionais InteligentesResumo
A crescente integração da Inteligência Artificial (IA) no ensino superior tem estimulado o desenvolvimento de soluções inovadoras para aprimorar os processos de ensino e aprendizagem; no entanto, persiste uma lacuna significativa na formulação de modelos matemáticos capazes de representar explicitamente a dinâmica entre aprendizagem, desempenho acadêmico e suporte tecnológico inteligente, particularmente no ensino de engenharia. Este estudo propõe um modelo matemático dinâmico não linear, inspirado em mecanismos adaptativos baseados em IA, para analisar as interações entre o conhecimento do estudante, a eficiência de ensino, o desempenho em engenharia e o uso de recursos inteligentes de suporte à aprendizagem. As simulações do modelo indicam que mecanismos adaptativos inspirados em Inteligência Artificial estão associados ao aumento da aquisição de conhecimento, melhoria da eficiência pedagógica e crescimento sustentado do desempenho técnico dos estudantes. A pesquisa adotou uma abordagem quantitativa baseada em modelagem matemática e simulação computacional, utilizando um sistema de equações diferenciais ordinárias implementado na linguagem de programação R. A integração numérica foi realizada utilizando o método de Runge-Kutta de quarta ordem, e uma análise de sensibilidade dos principais parâmetros do modelo foi conduzida. Os resultados da simulação indicam que os mecanismos adaptativos inspirados em IA promovem maior aquisição de conhecimento, melhoria da eficiência pedagógica e crescimento sustentado no desempenho técnico dos alunos. O cenário adaptativo, apoiado por recursos inteligentes, superou o cenário tradicional, demonstrando trajetórias de aprendizagem mais rápidas e sustentáveis. Além disso, a análise de sensibilidade confirmou a robustez estrutural do modelo proposto sob pequenas perturbações de parâmetros. Conclui-se que a modelagem dinâmica representa uma estrutura promissora para a compreensão e otimização de sistemas educacionais complexos, fornecendo uma base teórica para futuros estudos de validação empírica e para o desenvolvimento de ambientes inteligentes de ensino de engenharia.
Referências
Baker, R. S., & Inventado, P. S. (2014). Educational Data Mining and Learning Analytics. In Learning Analytics (pp. 61–75). Springer New York. https://doi.org/10.1007/978-1-4614-3305-7_4
Boyce, W. E., DiPrima, R. C., & Meade, D. B. (2021). Elementary differential equations and boundary value problems (12th ed.). John Wiley & Sons.
Celik, I., Dindar, M., Muukkonen, H., & Järvelä, S. (2022). The Promises and Challenges of Artificial Intelligence for Teachers: a Systematic Review of Research. TechTrends, 66(4), 616–630. https://doi.org/10.1007/s11528-022-00715-y
Falebita, O. S., & Kok, P. J. (2024). Strategic goals for artificial intelligence integration among STEM academics and undergraduates in African higher education: a systematic review. Discover Education, 3(1), 151. https://doi.org/10.1007/s44217-024-00252-1
Grassini, S. (2023). Shaping the Future of Education: Exploring the Potential and Consequences of AI and ChatGPT in Educational Settings. Education Sciences, 13(7), 692. https://doi.org/10.3390/educsci13070692
Hadgraft, R. G., & Kolmos, A. (2020). Emerging learning environments in engineering education. Australasian Journal of Engineering Education, 25(1), 3–16. https://doi.org/10.1080/22054952.2020.1713522
Hlongwane, J., Shava, George. N., Mangena, A., & Muzari, T. (2024). Towards the Integration of Artificial Intelligence in Higher Education, Challenges and Opportunities: The African Context, a Case of Zimbabwe. International Journal of Research and Innovation in Social Science, VIII(IIIS), 417–435. https://doi.org/10.47772/IJRISS.2024.803028S
Holmes, W., Bialik, M., & Fadel, C. (2019). Artificial Intelligence in Education. Promise and Implications for Teaching and Learning. Center for Curriculum Redesign.
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Michaeli, T., Nerdel, C., Pfeffer, J., Poquet, O., Sailer, M., Schmidt, A., Seidel, T., … Kasneci, G. (2023). ChatGPT for good? On opportunities and challenges of large language models for education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274
Mustafa, M. Y., Tlili, A., Lampropoulos, G., Huang, R., Jandrić, P., Zhao, J., Salha, S., Xu, L., Panda, S., Kinshuk, López-Pernas, S., & Saqr, M. (2024). A systematic review of literature reviews on artificial intelligence in education (AIED): a roadmap to a future research agenda. Smart Learning Environments, 11(1), 59. https://doi.org/10.1186/s40561-024-00350-5
OECD. (2021). AI and the Future of Skills, Volume 1: Capabilities and Assessments (Educational Research and Innovation, Ed.). OECD Publishing. https://doi.org/10.1787/5ee71f34-en
Russell, S. J., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson Education .
Strogatz, S. H. (2018). Nonlinear dynamics and chaos: With applications to physics, biology, chemistry and engineering (2nd ed.). CRC Press.
UNESCO. (2023). Guidance for generative AI in education and research. UNESCO Publishing.
Zawacki-Richter, O., Marín, V. I., Bond, M., & Gouverneur, F. (2019). Systematic review of research on artificial intelligence applications in higher education – where are the educators? International Journal of Educational Technology in Higher Education, 16(1), 39. https://doi.org/10.1186/s41239-019-0171-0
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Infeliz Carvalho Coxe, Acácio da Conceição de Jesus Domingos
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Esta revista publica seus artigos em Acesso Aberto sob licença Creative Commons (CC BY 4.0).
Você é livre para:
Compartilhar — copie e redistribua o material em qualquer meio ou formato para qualquer finalidade, inclusive comercial.
Adaptar – remixar, transformar e desenvolver o material para qualquer finalidade, até mesmo comercial.
O licenciante não pode revogar essas liberdades desde que você siga os termos da licença.
Nos seguintes termos:
Atribuição — Você deve dar o devido crédito, fornecer um link para a licença e indicar se foram feitas alterações. Você pode fazê-lo de qualquer maneira razoável, mas não de forma que sugira que o licenciante endossa você ou seu uso.
Sem restrições adicionais — Você não pode aplicar termos legais ou medidas tecnológicas que restrinjam legalmente outras pessoas de fazerem qualquer coisa que a licença permita.
Avisos:
Você não precisa cumprir a licença para elementos do material de domínio público ou onde seu uso for permitido por uma exceção ou limitação aplicável.
Nenhuma garantia é dada. A licença pode não conceder todas as permissões necessárias para o uso pretendido. Por exemplo, outros direitos, como publicidade, privacidade ou direitos morais, podem limitar a forma como você utiliza o material.
