A arte do professor face ao algoritmo

Tailor-made': uma velha promessa, uma nova tecnologia

Há uma ambição educativa que atravessou os séculos sem nunca perder a sua atualidade: adaptar o desafio "ao aluno". Se for demasiado fácil, é aborrecido e distrai; se for demasiado difícil, desencoraja e quebra a confiança. Entre estas duas armadilhas encontra-se o que Lev Vygotsky conceptualizou como a zona de desenvolvimento proximal: esse espaço subtil onde o aluno pode progredir desde que seja apoiado, guiado e acompanhado. Ajustar não é, portanto, apenas uma questão de medir a dificuldade, mas de discernir o momento certo, a tensão frutuosa, a distância certa entre o que foi aprendido e o que pode vir.

A presença do professor

Durante muito tempo, este ajustamento foi uma arte. Uma arte informada pela observação, pela experiência e pela intuição profissional. O professor observa uma hesitação, sente uma tensão, ouve um silêncio demasiado denso para ser inofensivo. Ele reformula, abranda, acelera, sugere uma analogia, muda de registo. O seu gesto não é pura improvisação: baseia-se em conhecimentos teóricos, modelos e quadros conceptuais. Mas permanece situado, incorporado, relacional. Requer uma compreensão pormenorizada da situação, da história do aprendente, da dinâmica do grupo e do clima emocional.

Atualmente, esta velha ambição está a ser satisfeita pelas novas tecnologias. As plataformas adaptativas, os ambientes de aprendizagem digital e os sistemas de análise pedagógica prometem ajustar automaticamente o grau de dificuldade a cada aluno. Os tempos de resposta, as taxas de erro, a frequência das tentativas, a regularidade das ligações: tudo isto são traços digitais que alimentam modelos de previsão capazes de modular o percurso de aprendizagem em tempo real. O algoritmo torna-se assim o arquiteto discreto da personalização contínua.

A promessa é sedutora. Enquanto os professores têm de lidar com números, cansaço e limitações de tempo, as máquinas processam volumes maciços de dados sem descanso. Identificam correlações invisíveis ao olho humano, detectam tendências de abandono precoce e ajustam instantaneamente a dificuldade de um item.

Na perspetiva da racionalidade limitada descrita por Herbert Simon, delegar certas decisões em sistemas computacionais parece ser uma estratégia eficaz: otimizar localmente as trajectórias de aprendizagem com base em indicadores objectivados. À primeira vista, o algoritmo parece assim concretizar o sonho educativo de um ajustamento permanente e individualizado, livre de preconceitos subjectivos. Promete um novo nível de equidade: cada um progride ao seu próprio ritmo, de acordo com as suas próprias necessidades, sem ser comparado com a média do grupo. Promete também uma maior eficácia: menos tempo perdido em exercícios demasiado simples, menos desistências perante tarefas prematuramente complexas. A adaptação torna-se dinâmica, contínua e calculada.

Em que base é que o desafio deve ser "calibrado"?

Mas há uma questão que deve ser colocada: calibrar um desafio resume-se a otimizar os indicadores de desempenho? O ajustamento "à sua medida" pode ser inteiramente deduzido dos dados comportamentais? Por outras palavras, será que o que o algoritmo mede é suficiente para descrever o que está a mudar num aprendente?

A teoria do fluxo, desenvolvida por Mihaly Csikszentmihalyi, mostrou que o envolvimento ótimo resulta de um equilíbrio delicado entre o desafio e a competência percebida. Esta perceção de competência não pode ser estritamente reduzida ao desempenho observado. Envolve confiança, sentimentos de eficácia pessoal e o significado atribuído à tarefa. Do mesmo modo, a teoria da carga cognitiva de John Sweller recorda-nos que a dificuldade objetiva de uma atividade nem sempre coincide com a carga efetivamente suportada pelo aprendente. Um contexto que provoque ansiedade, instruções ambíguas ou pressão avaliativa podem aumentar a carga para além do que as métricas sugerem.

Assim, o ajustamento algorítmico opera principalmente sobre variáveis observáveis: precisão das respostas, velocidade, repetição ou progressão sequencial. Optimiza as trajectórias de formação. Mas aprender é mais do que passar uma série de itens; aprender significa transformar as suas representações, integrar o conhecimento numa rede de significados e desenvolver uma identidade profissional.

Para além do indivíduo, todo o contexto

É aqui que surge a tensão que está no centro deste artigo. O algoritmo pode, inegavelmente, apoiar o ajustamento pedagógico. Pode revelar regularidades, objetivar dificuldades e alertar para fragilidades. Mas não percebe o tremor de uma voz durante uma simulação clínica, nem a postura hesitante de um aluno perante a sua primeira responsabilidade, nem a dinâmica silenciosa de um grupo que se compara e julga mutuamente. Ele individualiza a partir de dados; o professor contextualiza a partir de uma situação.

A filosofia da tecnologia, nomeadamente a de Gilbert Simondon, convida-nos a olhar para além da oposição simplista entre homem e máquina. A tecnologia não é inimiga do ser humano; ela alarga as suas capacidades, mas também transforma as condições de ação. Quando a calibração se torna automatizável, o risco não é tanto o desaparecimento do professor como a redefinição silenciosa do seu papel. Se o ajustamento for confiado a algoritmos, o que resta do discernimento pedagógico? Supervisão marginal? Validação formal? Ou, pelo contrário, uma maior responsabilidade pela interpretação e pelo sentido?

O desafio não consiste em opor a perícia humana à adaptação algorítmica, mas em clarificar as fronteiras entre elas. Otimizar as trajectórias de aprendizagem não significa necessariamente encorajar um progresso significativo. O desempenho mensurável nem sempre coincide com a maturidade intelectual ou profissional. Confundir as duas coisas seria reduzir a complexidade educativa a um problema de engenharia estatística.

Na era das plataformas adaptativas, a "adaptação" já não pode ser pensada como um gesto exclusivamente intuitivo; mas também não pode ser deixada apenas à lógica computacional. Temos de redefinir a arte da calibração: compreender o que o algoritmo faz bem - e, por vezes, melhor do que nós -, reconhecer o que ele não consegue compreender e assumir a parte irredutível do julgamento, da interpretação e da responsabilidade que continua a ser humana.

Porque por detrás da questão técnica está uma questão mais profunda: o que é a aprendizagem e o que é que queremos realmente ajustar? Uma pontuação? Uma taxa de sucesso? Ou a trajetória única de um indivíduo em desenvolvimento? É nesta fronteira mutável e exigente, entre a otimização e o discernimento, que este documento se propõe explorar.

Ajustamento algorítmico: a otimização como horizonte

O aparecimento de plataformas adaptativas e de ambientes de aprendizagem digitais não é uma mera moda tecnológica. Faz parte de uma mudança profunda: a possibilidade, agora uma realidade, de recolher, processar e explorar continuamente os vestígios da atividade de aprendizagem. Cada clique, cada resposta, cada período de latência transforma-se em dados. A aprendizagem deixa uma pegada digital que pode ser explorada. Com base nestes vestígios, o algoritmo efectua ajustamentos.

Este primeiro movimento merece ser analisado sem caricatura. Porque o ajustamento algorítmico não é apenas uma promessa de marketing. Baseia-se em modelos estatísticos robustos e numa engenharia sofisticada que transformam efetivamente as condições de personalização.

Medir para ajustar: a lógica da análise da aprendizagem

Os sistemas adaptativos funcionam de acordo com uma lógica aparentemente simples: medir para modular. O tempo de resposta a um item, a taxa de erro para uma determinada competência, a regularidade das ligações, a persistência após uma falha, a sequência de tentativas - todos estes são indicadores que alimentam os modelos de previsão. O objetivo não é apenas descritivo, é também prescritivo. A partir de dados anteriores, o sistema infere a probabilidade de sucesso futuro e ajusta a dificuldade em conformidade.

Nesta perspetiva, a aprendizagem torna-se uma trajetória optimizável. Cada aprendente é posicionado num espaço de probabilidade: que conceitos foram dominados? Quais são frágeis? Que nível de desafio maximiza a probabilidade de envolvimento e sucesso? O algoritmo procura o ponto de equilíbrio estatístico, onde o erro é suficientemente presente para estimular o esforço, mas não tão grande que o desencoraje.

Esta lógica remete para a racionalidade instrumental no sentido de Herbert Simon: perante a complexidade da realidade, são construídos modelos simplificados que permitem tomar decisões eficazes num ambiente de incerteza. O algoritmo não pretende compreender o aprendente como um todo; lida com variáveis observáveis e optimiza sob restrições. O seu horizonte é a melhoria mensurável dos indicadores definidos a montante.

Deste ponto de vista, o ensino torna-se em parte uma ciência de fluxos: fluxos de respostas, fluxos de progressos, fluxos de correção. Os ajustamentos são efectuados em tempo real, sem atrasos, sem cansaço, sem mudanças de humor. Em grande escala, esta capacidade é um trunfo inegável.

Personalização automatizada: uma promessa de objetividade e de equidade

Um dos argumentos mais poderosos a favor da adaptação algorítmica é a promessa de objetividade. Enquanto os professores podem ser influenciados - consciente ou inconscientemente - por expectativas, impressões subjectivas ou comparações implícitas entre alunos, a máquina aplica as mesmas regras a todos. Não "prefere" ninguém. Faz cálculos.

Em contextos de formação em massa ou híbrida, esta normalização pode ajudar a reduzir certas desigualdades. O aprendente rápido já não é abrandado pelo ritmo do grupo; o aprendente com dificuldades beneficia de exercícios adicionais direcionados sem ser publicamente exposto por estar atrasado. O percurso de aprendizagem torna-se único, quase íntimo.

Além disso, o algoritmo permite fazer ajustes a um nível de granularidade inacessível aos seres humanos. Um professor pode perceber que um aluno está a "lutar" com um conceito. O sistema, por outro lado, identifica com precisão as microcompetências envolvidas: confusão concetual, automatização incompleta, transferência incompleta. Modula o nível de dificuldade em função do item, ajusta a frequência da revisão e ativa a repetição espaçada optimizada.

Nesta perspetiva, a adaptação algorítmica parece ser uma extensão da capacidade pedagógica humana. Oferece uma visão simultaneamente panorâmica e microanalítica. Transforma a gestão pedagógica num processo baseado em dados pormenorizados e continuamente actualizados.

Da formação à progressão: uma mudança discreta

No entanto, é precisamente nesta eficácia que se verifica uma mudança concetual. A otimização visa sobretudo os desempenhos observáveis: passar um item, melhorar uma pontuação, reduzir o tempo de resposta, estabilizar uma taxa de erro. Por outras palavras, o algoritmo ajusta o que é mensurável.

No entanto, o sucesso a curto prazo nem sempre é sinónimo de aprendizagem sustentável. Um aprendente pode melhorar rapidamente o seu desempenho familiarizando-se com o formato de um exercício sem alterar radicalmente as suas representações. Pode otimizar a sua estratégia de resposta sem consolidar a sua compreensão concetual. O algoritmo, baseado nos dados disponíveis, tende a reforçar o que melhora os indicadores.

É aqui que se verifica uma tensão subtil: a plataforma optimiza as trajectórias de exercício, mas a pedagogia visa as trajectórias de transformação. A diferença pode parecer pequena, mas é decisiva. Otimizar uma pontuação é uma questão de desempenho. Transformar uma relação com o conhecimento é um processo mais longo, mais complexo e menos imediatamente mensurável.

O risco não é que o algoritmo esteja errado - pode ser extremamente eficaz à sua maneira - mas que imponha insensivelmente a sua própria maneira de fazer as coisas como norma. Quando os painéis de controlo se tornam centrais, quando os indicadores estruturam a tomada de decisões, é grande a tentação de confundir a melhoria das métricas com o progresso real. O que não é visível nos dados tende a perder o seu valor aos olhos do sistema.

Assim, o ajustamento algorítmico funciona de acordo com uma lógica coerente: medir, modelar e otimizar. É excelente na deteção de padrões, na afinação das dificuldades e na gestão individualizada em grande escala. É um poderoso instrumento de engenharia pedagógica.

Mas, precisamente por ser poderoso, exige uma vigilância crítica. Porque o que o algoritmo vê e ajusta corresponde às variáveis que consegue captar. Mas a experiência de aprendizagem vai para além dessas variáveis.

É aqui que começa a questão decisiva: o que é que acontece no espaço não medido? O que acontece ao ajustamento quando nos afastamos dos indicadores e entramos na relação, no afeto, na dinâmica de grupo e na história individual do aprendente?

O que o algoritmo optimiza é mensurável. O que o professor percepciona ultrapassa muitas vezes a medição. É para esta zona cinzenta, não obscura mas não quantificada, que a análise deve agora voltar-se.

O que o educador vê que os dados ignoram

Enquanto os algoritmos são excelentes no tratamento de variáveis observáveis, os educadores trabalham numa profundidade de sinais que ultrapassa o traço digital. Onde a máquina capta o desempenho, o professor percebe as situações. Onde o algoritmo ajusta um nível de dificuldade, o professor ajusta uma relação, um clima, um sentimento de confiança.

Não se trata de opor racionalidade e intuição, mas de reconhecer que a atividade docente mobiliza registos que os dados só parcialmente captam. Ajustar "para caber" não é apenas calibrar uma tarefa, é também ler um sujeito em desenvolvimento.

Sinais fracos e leitura incorporada

Numa sala de formação, física ou virtual, a aprendizagem assume a forma de micro-eventos. Um olhar que se desvia quando uma pergunta é feita. Uma hesitação que dura demasiado tempo antes de falar. Uma postura corporal que se fecha. Um riso nervoso perante uma situação.

Estes sinais fracos não são anedóticos. São pistas interpretativas. O professor experiente observa-os não como dados isolados, mas como configurações. Ele olha para a postura, o contexto, a história do aprendente e a dinâmica do grupo. Infere fragilidade, ansiedade e, por vezes, uma falta de compreensão mascarada por um bom desempenho.

Até à data, nenhuma plataforma adaptativa compreendeu plenamente esta dimensão incorporada da aprendizagem. Mesmo quando enriquecidos com análises comportamentais sofisticadas, os dados continuam a ser uma abstração: descrevem as interações com um dispositivo, não a experiência completa.

O discernimento pedagógico assenta precisamente nesta capacidade de articular elementos heterogéneos - verbais, não verbais, contextuais - numa interpretação situada. Trata-se menos de uma questão de "intuição" no sentido vago do que de uma perícia derivada da experiência acumulada, comparável à de um clínico que reconhece uma configuração mesmo antes de a poder explicar formalmente.

Motivação, confiança e identidade em construção

A teoria do fluxo desenvolvida por Mihaly Csikszentmihalyi recorda-nos que o empenho ótimo depende do equilíbrio entre o desafio e a competência percebida. Mas a perceção de competência nem sempre está correlacionada com o desempenho observado.

Um aluno pode passar num exercício mas continuar a ter sérias dúvidas sobre a sua legitimidade. Outro pode falhar momentaneamente, embora mantenha uma forte confiança na sua capacidade de progredir. O algoritmo vê o êxito ou o erro; o professor apercebe-se do tom emocional que os acompanha.

Nos cursos de formação profissional, em particular, esta dimensão é crucial. A aprendizagem implica uma identidade em construção. Os alunos não pretendem apenas "passar num teste", pretendem tornar-se competentes, responsáveis e reconhecidos.

A adaptação dos métodos de ensino deve, portanto, ter em conta os factores simbólicos: o medo de se sair mal, o medo de ser julgado, a relação com a autoridade e a escolaridade anterior. Todos estes factores influenciam a forma como um desafio é vivido. Uma tarefa objetivamente acessível pode ser subjetivamente ameaçadora. Por outro lado, um desafio exigente pode tornar-se uma força motriz se a confiança for suficientemente estabelecida.

A teoria da carga cognitiva de John Sweller sublinha que a dificuldade de uma tarefa não depende apenas da sua estrutura intrínseca. O contexto emocional e motivacional modifica a carga efetivamente suportada. Mas estes parâmetros estão, em grande medida, fora do alcance dos indicadores quantitativos.

Assim, ajustar a dificuldade não é apenas uma questão de calibrar um nível de complexidade concetual. Trata-se também de regular uma dinâmica psicológica. Por vezes, significa aliviar a pressão antes de aumentar as exigências. Por vezes, pelo contrário, trata-se de provocar um ligeiro desconforto para sensibilizar. Esta afinação baseia-se numa leitura situacional, impossível de deduzir a partir de uma pontuação isolada.

Inteligência situacional: contextualizar para além do indivíduo

Os algoritmos individualizam. O professor contextualiza.

Numa sala de aula, a aprendizagem nunca se processa exclusivamente a nível individual. É permeada por dinâmicas colectivas: comparação implícita, solidariedade, rivalidade, contágio emocional. Um aluno com dificuldades pode ser apoiado pelo grupo ou, pelo contrário, sentir-se exposto a ele. O sucesso individual pode reforçar ou enfraquecer a coesão.

A calibração humana integra esta dimensão sistémica. Ajustar um desafio para um aluno significa, por vezes, considerar o efeito nos outros. A introdução de uma atividade mais complexa pode estimular todo o grupo. Manter um ritmo mais lento pode tornar um clima frágil mais seguro.

A filosofia da tecnologia de Gilbert Simondon recorda-nos que os objectos técnicos funcionam de acordo com os seus próprios modos de operação. Os algoritmos funcionam num quadro formalizado; processam variáveis definidas. O ser humano, pelo contrário, funciona numa situação aberta, evolutiva e imprevisível.

Esta diferença não é um defeito da máquina, mas antes uma marca da sua natureza. Mas significa que a calibração algorítmica não pode pretender esgotar a complexidade educativa. Ajustar um desafio de formação significa ter em conta as questões éticas, as responsabilidades futuras e as expectativas institucionais. Trata-se de dimensões qualitativas, normativas e situadas.

O educador não se contenta em otimizar uma trajetória individual; deve assegurar a coerência de um percurso, a maturação de um grupo e o significado global da experiência. O seu discernimento é exercido através de uma série de registos que os dados só parcialmente captam.

Em última análise, o que o professor vê vai para além do que os dados registam. Não porque a máquina seja incapaz de progredir, mas porque a aprendizagem é um fenómeno incorporado, relacional e simbólico.

O algoritmo individualiza com base em traços. O professor contextualiza a partir de uma situação viva. Esta distinção abre uma tensão fértil: como combinar a eficácia da individualização estatística com a profundidade da contextualização humana?

É precisamente esta tensão que nos leva a examinar mais de perto a diferença entre a individualização algorítmica e a contextualização pedagógica. Porque "personalizar" não significa apenas adaptar um nível de dificuldade. Significa também compreender o que significa aprender num determinado contexto.

Da individualização à contextualização: mudar a escala de calibragem

Se o algoritmo individualiza e o professor contextualiza, então a questão torna-se mais precisa: o que é que esta mudança de escala altera? A individualização consiste em ajustar um curso com base em dados específicos de uma disciplina. Contextualizar implica situar o sujeito numa situação, numa história, num grupo, num horizonte profissional.

Esta mudança é decisiva. Ajustar um desafio não é simplesmente calibrar uma dificuldade cognitiva; implica compreender o sentido da aprendizagem num determinado ambiente.

Individualização algorítmica: segmentação e definição de perfis

Os sistemas adaptativos baseiam-se na segmentação. Com base nos vestígios recolhidos, constroem perfis: aprendentes rápidos mas imprecisos, aprendentes regulares mas lentos, aprendentes bons na memorização mas frágeis na transferência de conhecimentos, etc. Estes perfis podem ser utilizados para orientar percursos de aprendizagem diferenciados.

Em termos técnicos, trata-se muitas vezes de agrupamento, modelação bayesiana e redes neuronais preditivas. O objetivo é identificar padrões recorrentes para oferecer o recurso mais pertinente no momento certo.

Nesta lógica, a individualização é uma otimização local. Ajustamos um item, uma série de exercícios ou o ritmo da revisão. O ambiente torna-se adaptativo: reage ao desempenho passado para antecipar o desempenho futuro.

Esta abordagem tem vantagens inegáveis. Evita a uniformidade dos percursos de aprendizagem. Reduz o tempo gasto em competências já dominadas. Visa precisamente as lacunas detectadas. Pode mesmo encorajar o empenho, mantendo um nível de desafio estatisticamente ótimo.

Mas esta individualização continua a centrar-se na interação entre um indivíduo e um sistema. Trata o aprendente como uma unidade analítica relativamente isolada. Só tem em conta o que pode ser modelado no quadro do sistema.

No entanto, a aprendizagem não pode ser reduzida à interação com uma sequência de exercícios.

Contextualização: um ato interpretativo e ético

Contextualizar significa mudar o foco. Já não se trata apenas de ajustar um nível de dificuldade, mas sim de compreender porquê e para quê esse ajuste.

Particularmente na formação profissional, um exercício nunca é neutro. Prepara-o para situações da vida real em que a responsabilidade, a incerteza e a dimensão relacional são centrais. Ajustar um desafio neste contexto implica integrar questões simbólicas: lidar com os erros, gerir o stress, enfrentar o imprevisível.

Um algoritmo pode reduzir a dificuldade de um caso simulado se as respostas forem incorrectas. Mas o professor pode decidir, pelo contrário, manter um certo nível de complexidade para confrontar o aprendente com a realidade da situação. Pode decidir que o que está em causa não é apenas o sucesso imediato, mas também aprender a gerir a incerteza.

A contextualização é um ato interpretativo. Baseia-se numa compreensão situada: quem é este aprendente? Em que ponto do seu percurso de aprendizagem se encontra? Quais são as dinâmicas de grupo? Quais são os objectivos institucionais e profissionais a médio prazo?

É também um ato ético. Porque ajustar um desafio significa orientar uma trajetória. É decidir o nível de exigência a que expomos um formando. Reduzir sistematicamente a dificuldade ao mais pequeno sinal de fracasso pode minar a capacidade de lidar com situações complexas. Inversamente, manter um nível de desafio demasiado elevado pode conduzir ao desânimo e à desistência.

O discernimento pedagógico consiste precisamente em navegar nesta tensão, tendo em conta dimensões que a modelização algorítmica só parcialmente capta: maturidade profissional, postura reflexiva, capacidade de cooperação, relação com a autoridade e responsabilidade.

Formar para a complexidade: para além da otimização local

A teoria da carga cognitiva desenvolvida por John Sweller alerta para a sobrecarga que impede a aprendizagem. Os sistemas adaptativos podem reduzir esta sobrecarga de forma útil, calibrando a complexidade das tarefas.

No entanto, em certos cursos de formação, o objetivo não é apenas dominar conteúdos num ambiente estável, mas desenvolver a capacidade de agir em contextos incertos. Formar um profissional não significa apenas otimizar o seu desempenho em exercícios graduados; significa expô-lo progressivamente à complexidade do mundo real.

Uma adaptação algorítmica demasiado protetora poderia suavizar involuntariamente a experiência de aprendizagem. Ao procurar constantemente o equilíbrio ótimo entre dificuldade e sucesso imediato, arrisca-se a minimizar a exposição ao inesperado, à ambiguidade e à frustração construtiva.

No entanto, a competência profissional inclui a capacidade de tolerar a incerteza, de perseverar perante o fracasso e de mobilizar recursos em situações não rotineiras. Estas dimensões não são facilmente modeladas por indicadores de desempenho.

A contextualização pedagógica permite introduzir esta complexidade de forma progressiva e intencional. Não se limita a reagir aos erros. Antecipa situações futuras. Liga o presente ao futuro.

Assim, a passagem da individualização à contextualização não é apenas uma nuance terminológica. Marca uma diferença de natureza: uma optimiza as interações locais, a outra orienta uma trajetória num quadro simbólico, coletivo e profissional.

Em suma, o algoritmo personaliza a partir de perfis, enquanto o pedagogo contextualiza a partir de um projeto. Um ajusta os parâmetros, o outro constrói o sentido.

Não se trata de negar a pertinência da individualização algorítmica, mas de reconhecer que ela opera num registo específico: o da otimização mensurável. A contextualização, por outro lado, envolve um julgamento interpretativo e normativo que vai além do desempenho observável apenas.

A partir de então, a questão já não era escolher entre individualização e contextualização, mas organizar a sua relação. Como tirar partido do poder analítico dos sistemas adaptativos sem reduzir a calibração pedagógica a uma função estatística? Como preservar o discernimento humano em ambientes cada vez mais instrumentalizados?

É esta procura de complementaridade crítica que temos agora de explorar.

Rumo a uma complementaridade crítica: redefinir os limites da calibração

Se o algoritmo optimiza e o educador contextualiza, a questão decisiva já não é saber qual deles deve prevalecer, mas como distribuir os papéis sem confusão. O perigo não reside na existência de sistemas adaptativos, mas na sua naturalização. Quando a otimização estatística se torna a norma implícita do "bom ajuste", o discernimento humano corre o risco de ser reduzido a uma validação periférica.

Pensar a complementaridade crítica significa, portanto, clarificar as fronteiras: o que é que o algoritmo faz melhor, o que é que o educador deve continuar a assumir, e o que é que é uma questão de co-elaboração exigente.

O algoritmo como auxiliar de diagnóstico educativo

Na sua função mais relevante, o algoritmo actua como um revelador. Revela tendências que são difíceis de ver a olho nu: estagnação numa micro-competência, irregularidade no empenho, declínio gradual do desempenho ao longo de uma dada sequência.

Em grandes grupos ou sistemas híbridos, esta capacidade é um trunfo importante. A análise da aprendizagem oferece um mapeamento dinâmico da aprendizagem. Permitem identificar precocemente os riscos de abandono escolar, orientar as necessidades de correção e objetivar certas intuições pedagógicas.

Deste ponto de vista, a máquina não substitui o julgamento, mas antes o reforça. Alarga o campo percetivo do formador. Enquanto a observação humana é pontual e situada, a analítica é contínua e exaustiva no seu alcance.

Esta complementaridade pode melhorar a qualidade da gestão pedagógica. Um formador pode, por exemplo, cruzar as suas impressões qualitativas com os dados da plataforma. Uma hesitação sentida durante uma sessão pode refletir-se numa queda mensurável do desempenho. Por outro lado, um desempenho estável pode pôr em causa uma intuição demasiado pessimista.

O algoritmo torna-se então uma ferramenta de diagnóstico. Apoia uma abordagem reflexiva, sem a substituir.

O formador como intérprete e arquiteto do significado

A fronteira torna-se problemática quando a ferramenta prescreve em vez de esclarecer. Se o sistema decidir automaticamente os percursos sem mediação humana, corre-se o risco de confundir recomendações estatísticas com decisões pedagógicas.

Mas interpretar os dados não significa segui-los mecanicamente. Uma queda no desempenho pode indicar uma dificuldade concetual, mas também uma fadiga temporária, uma sobrecarga emocional ou um desinteresse ligado a factores exteriores ao sistema.

Enquanto intérprete, o formador recontextualiza os indicadores. Insere-os numa história, numa troca, numa situação real. Pode decidir não seguir uma recomendação algorítmica se esta entrar em conflito com a sua análise global.

Nesta redefinição de papéis, o formador torna-se menos um fornecedor exclusivo de conteúdos e mais um arquiteto de cenários. Concebem sistemas híbridos em que o algoritmo gere certos aspectos técnicos - repetição espaçada, ajustamento da dificuldade, formação automatizada - enquanto o tempo síncrono é dedicado à análise, ao debate ou mesmo a simulações complexas.

O valor humano acrescentado está a deslocar-se para a clarificação do significado, a regulação relacional e o apoio reflexivo. A arte da calibração não está a desaparecer. Apenas muda de nível. Já não está relacionada apenas com a dificuldade de um exercício, mas com a orquestração de um curso.

Formar pessoas para uma leitura crítica dos dados

No entanto, esta complementaridade não é espontânea. Requer uma aculturação. Os dados educativos não são neutros; são construídos em função de modelos, de hipóteses e de escolhas técnicas.

Compreender o que um indicador mede efetivamente, o que ignora e que pressupostos incorpora está a tornar-se uma competência profissional por direito próprio. A leitura de um painel de instrumentos exige uma literacia digital específica: saber distinguir entre correlação e causalidade, desempenho imediato e consolidação sustentável, médias estatísticas e trajectórias individuais.

A racionalidade algorítmica baseia-se numa formalização necessariamente simplificada da realidade. Seleciona certas variáveis em detrimento de outras. Esta seleção estrutura implicitamente a definição do sucesso.

Formar os formadores para esta leitura crítica significa preservar a sua capacidade de discernimento. Não se trata de rejeitar os dados, mas de os questionar. Trata-se de ver os dados como parte de um diagnóstico mais alargado e não como um veredito definitivo.

Nesta perspetiva, a filosofia da tecnologia de Gilbert Simondon oferece uma visão valiosa: a tecnologia não é externa aos seres humanos; faz parte de um processo de individuação. Mas esta integração pressupõe uma compreensão dos modos de funcionamento do objeto técnico. A ferramenta deve ser compreendida para que possa ser integrada sem alienar.

Preservar a responsabilidade pela calibração

No centro desta complementaridade crítica está uma questão de responsabilidade. Ajustar um desafio não é um ato neutro. Afecta a trajetória de um aprendente, por vezes a sua confiança, por vezes a direção da sua carreira.

Delegar esta calibragem inteiramente a um sistema estatístico seria o mesmo que transferir a responsabilidade para um sistema cujos critérios são definidos a montante. Mas a educação não pode transferir esta responsabilidade inteiramente para um cálculo.

Preservar a responsabilidade humana não significa rejeitar a automatização útil. Significa manter um espaço para a tomada de decisões interpretativas. Um espaço onde as recomendações podem ser suspensas, discutidas e contextualizadas.

Deste modo, a complementaridade crítica não consiste em justapor homem e máquina, mas em articular otimização e julgamento. O algoritmo pode otimizar as sequências; o professor garante a coerência, o sentido e o objetivo do curso.

Ao redefinir os limites da calibração, uma coisa torna-se clara: a questão ultrapassa a simples organização de papéis. O que está em jogo por detrás do ajustamento algorítmico não é apenas uma questão de eficácia pedagógica, mas a própria conceção de aprendizagem e de sucesso.

Será a otimização da formação de desempenhos mensuráveis uma matéria passível de discernimento? A melhoria estatística é suficiente para qualificar um progresso significativo?

Esta é a questão mais fundamental, quase filosófica, que devemos agora enfrentar.

O que está por detrás da calibração: uma questão filosófica

À medida que refinamos os dispositivos de adaptação e aperfeiçoamos os modelos de previsão, surge uma questão mais profunda. A calibração não é apenas uma operação técnica. Implica uma certa conceção da aprendizagem, do sujeito e do sucesso.

Otimizar a trajetória de um exercício não significa necessariamente formar um sujeito capaz de julgar. Ajustar uma dificuldade em função de indicadores de desempenho não diz nada, por si só, sobre a transformação interior que constitui o ato de aprender.

Por detrás da questão técnica do "ajustamento correto", há uma questão filosófica: o que é que estamos realmente a tentar ajustar?

Um desempenho mensurável ou um progresso significativo?

As plataformas adaptativas funcionam segundo uma lógica de otimização: reduzir o erro, aumentar o sucesso, estabilizar as competências observáveis. Esta lógica é coerente e legítima. Conduz a ganhos mensuráveis. Torna os progressos visíveis.

Mas o desempenho mensurável não esgota o progresso significativo. Aprender não é apenas melhorar uma pontuação; é transformar a sua relação com o conhecimento, consigo próprio e com o mundo.

Os alunos podem obter classificações elevadas sem terem integrado os seus conhecimentos num quadro concetual estável. Podem ser bem sucedidos em tarefas familiares sem serem capazes de transferir o que aprenderam para um novo contexto. Por outro lado, uma fase de aparente estagnação pode corresponder a uma profunda reestruturação das representações.

A zona de desenvolvimento proximal descrita por Lev Vygotsky não pode ser reduzida a um intervalo de dificuldade estatisticamente ótimo. Ela pressupõe uma mediação, uma interação significativa e uma dinâmica social.

Quando a otimização se torna a métrica dominante, corre-se o risco de privilegiar o que é imediatamente quantificável em detrimento do que se transforma mais lentamente: o pensamento crítico, a postura reflexiva e a capacidade de problematizar.

A calibração algorítmica pode assim produzir uma ilusão de mestria. Porque a curva está a subir, assumimos que a aprendizagem está a progredir. Mas nem todo o progresso numérico é necessariamente uma maturação intelectual.

A tentação da delegação total

A eficácia dos sistemas adaptativos pode dar origem a uma tentação subtil: a de delegar progressivamente a arte da calibração. Se a máquina se ajusta mais rapidamente, de forma mais fina e mais objetiva, porquê manter uma mediação humana sistemática?

Esta tentação faz parte de uma tendência mais vasta para a racionalização. Em ambientes limitados pelo tempo, pelos números e pelas exigências institucionais, a automatização parece ser uma solução pragmática. Promete consistência, rastreabilidade e otimização contínua.

Mas delegar totalmente a classificação equivale a transferir o padrão pedagógico para o modelo estatístico subjacente. Os critérios de sucesso passam a ser aqueles que foram programados. Os objectivos implícitos do sistema, muitas vezes orientados para o desempenho observável, estruturam silenciosamente a experiência de aprendizagem.

A racionalidade limitada descrita por Herbert Simon encontra aqui uma nova expressão: perante a complexidade, simplificamos. Mas qualquer simplificação seleciona certos parâmetros e exclui outros. Quando a calibração se baseia principalmente em indicadores quantificáveis, o que não é quantificado corre o risco de ser marginalizado.

O desafio não consiste em rejeitar a automatização, mas em evitar que ela se torne um princípio exclusivo. A aprendizagem envolve dimensões éticas, simbólicas e relacionais que não são facilmente formalizadas.

Preservar a arte do discernimento

A arte do professor não reside apenas na transmissão de conteúdos, mas também no discernimento. Discernimento significa interpretar uma situação específica à luz de uma perspetiva mais alargada. Significa decidir quando apoiar, quando confrontar, quando abrandar, quando acelerar.

Este discernimento é tanto um ato ético como um ato técnico. Implica uma responsabilidade: a de expor o aprendente a um nível de exigência que favoreça o seu crescimento sem o enfraquecer desnecessariamente.

O objeto técnico não deve ser oposto ao ser humano, mas integrado num processo de individuação. Isto pressupõe uma relação consciente e crítica com a tecnologia. A ferramenta torna-se fecunda quando é compreendida e dominada, não quando dita implicitamente a norma.

Preservar a arte do discernimento não significa rejeitar a análise da aprendizagem; significa recusar que ela se torne a nossa única bússola. Significa manter um espaço de julgamento onde a decisão educativa não se reduz a uma recomendação algorítmica.

Num ambiente cada vez mais instrumentalizado, a principal competência do formador pode tornar-se precisamente esta capacidade de articular dados e interpretação, otimização e significado, eficácia e responsabilidade.

A "adaptação às próprias necessidades" não pode ser inteiramente calculada, porque diz respeito a um sujeito em construção, inserido num contexto vivo. Os dados descrevem uma parte dessa realidade, mas não a esgotam.

No final desta exploração, surge uma convicção: a calibração não é apenas um problema de engenharia. É uma questão de objetivo. Queremos otimizar o desempenho ou apoiar a transformação? Procuramos a trajetória mais eficiente ou a mais significativa?

Estas questões não desqualificam os algoritmos; convidam-nos a inseri-los numa arquitetura mais ampla em que a perícia humana continua a ser o garante do significado. É nesta condição que o ajustamento tecnológico pode tornar-se um recurso partilhado, em vez de uma delegação silenciosa da arte de ensinar.

Calcular o ótimo, discernir o correto

O algoritmo ajusta-se. O professor interpreta. Não se trata de um duelo, mas de uma redefinição dos limites da calibragem pedagógica.

As plataformas adaptativas transformaram inegavelmente a nossa capacidade de personalizar os cursos. Medem com uma precisão sem precedentes, detectam regularidades invisíveis e optimizam as sequências de formação a uma escala impossível de sustentar apenas pela observação humana. Em contextos de massa, híbridos ou limitados, este poder analítico é uma verdadeira alavanca para a melhoria. Mas otimizar não é o mesmo que discernir.

A otimização algorítmica funciona num espaço formalizado: ajusta-se em função de indicadores definidos, selecionados e ponderados. Maximiza a probabilidade de sucesso a curto ou médio prazo. É excelente na gestão da complexidade calculável.

O discernimento pedagógico, pelo contrário, exerce-se no contexto da complexidade vivida. Combina desempenho e confiança, dificuldade e significado, progresso mensurável e maturação interior. Integra as dimensões relacional, simbólica e colectiva. Tem em conta o contexto, o momento e a história única do aprendente.

Os dados educativos descrevem. Não compreendem. Sinaliza. Não determinam o sentido.

É aqui que reside a questão fundamental: não confundir um desempenho mensurável com um progresso significativo. Uma curva ascendente não garante uma transformação profunda. Uma taxa de erro controlada, por si só, não diz nada sobre a capacidade de transferir, de problematizar, de atuar perante a incerteza. Pelo contrário, uma fase de aparente fragilidade pode corresponder a uma reestruturação frutuosa.

Na era dos ambientes digitais, é grande a tentação de delegar a arte da calibração nos sistemas estatísticos. Com efeito, estes são rápidos, coerentes e rastreáveis. Parecem oferecer uma objetividade tranquilizadora. Mas delegar inteiramente a tarefa de ajustamento seria o mesmo que deslocar o padrão pedagógico para o que pode ser calculado.

Mas nem tudo o que conta na formação pode ser contabilizado.

O ajustamento "tal como acontece" não pode ser calculado na sua totalidade porque diz respeito a um sujeito em construção. Pressupõe uma leitura situada, uma mediação, uma responsabilidade. Implica uma ética do desafio: expor sem esmagar, apoiar sem proteger demasiado, exigir sem desencorajar.

Assim, a verdadeira questão não é: humano ou máquina? É: como combinar otimização e discernimento sem que um absorva o outro?

Uma complementaridade exigente é possível e até desejável. O algoritmo pode tornar-se um auxiliar de diagnóstico, um revelador de tendências, um suporte de diferenciação. O formador, pelo contrário, continua a ser o intérprete, o arquiteto de cenários, o garante do sentido e da finalidade. O primeiro alarga o campo de perceção; o segundo orienta a trajetória.

Nesta perspetiva, a competência-chave nos próximos anos talvez não seja nem puramente técnica nem puramente pedagógica, mas sim hermenêutica: saber ler os dados sem se submeter a eles, saber integrar os indicadores sem reduzir a complexidade da aprendizagem à métrica.

À medida que os sistemas se tornam mais inteligentes, a responsabilidade humana não diminui, desloca-se. Consiste menos em produzir cada ajustamento do que em decidir o que merece ser ajustado e porquê.

O ajustamento ótimo pode ser calculado. O desafio correto deve ser discernido.

É talvez aqui que reside a arte do educador face ao algoritmo: não competir com a máquina no seu próprio terreno, mas manter a questão do significado em aberto, para que a tecnologia continue a ser um meio e nunca a medida final do significado da aprendizagem.

Ilustração: A arte do professor
Gerado por IA (Canva) - Flavien Albarras

Referências

Alhazbi, S., Al-ali, A., Tabassum, A., Al-Ali, A., Al-Emadi, A., Khattab, T., & Hasan, M. A. (2024). Using learning analytics to measure self-regulated learning: A systematic review of empirical studies in higher education. Journal of Computer Assisted Learning, 40(4), 1658-1674. https://doi.org/10.1111/jcal.12982

Anderson, J., & Taner, G. (2023). Building the expert teacher prototype: A metasummary of teacher expertise studies in primary and secondary education. Educational Research Review, 38, 100485. https://doi.org/10.1016/j.edurev.2022.100485

Artino, A. R. (2012). Auto-eficácia académica: Da teoria educacional à prática instrucional. Perspetivas em Educação Médica, 1(2), 76-85. https://doi.org/10.1007/s40037-012-0012-5

Azevedo, R., Bouchet, F., Duffy, M., Harley, J., Taub, M., Trevors, G., Cloude, E., Dever, D., Wiedbusch, M., Wortha, F., & Cerezo, R. (2022). Lições aprendidas e direções futuras do MetaTutor: Aproveitando dados multicanais para andaimes de aprendizagem auto-regulada com um sistema de tutoria inteligente. Frontiers in Psychology, 13. https://doi.org/10.3389/fpsyg.2022.813632

Bandura, A. (1978). Self-efficacy: Toward a unifying theory of behavioral change (Auto-eficácia: Para uma teoria unificadora da mudança de comportamento). Advances in Behaviour Research and Therapy, Perceived Self-Efficacy: Analyses of Bandura's Theory of Behavioural Change, 1(4), 139-161 . https://doi.org/10.1016/0146-6402(78)90002-4

Biggs, J. B. (1987). Student Approaches to Learning and Studying. Monografia de investigação. Conselho Australiano para a Investigação Educacional Ltd. https://eric.ed.gov/?id=ED308201

de Vries, M. J., Feenberg, A., De Boever, A., & Hoel, A. S. (2015). Simpósio de livros sobre A filosofia de Simondon: entre tecnologia e individuação. Philosophy & Technology, 28(2), 297-322. https://doi.org/10.1007/s13347-013-0144-5

Kosel, C., Bauer, E., & Seidel, T. (2024). Where experience makes a difference: Teachers' judgment accuracy and diagnostic reasoning regarding student learning characteristics. Frontiers in Psychology, 15, 1278472. https://doi.org/10.3389/fpsyg.2024.1278472

Lan, M., & Zhou, X. (2025). Uma revisão sistemática qualitativa sobre a aprendizagem auto-regulada capacitada pela IA no ensino superior. Npj Science of Learning, 10(1), 21. https://doi.org/10.1038/s41539-025-00319-0

Learning Analytics as a Metacognitive Tool: (2014). Actas da 6.ª Conferência Internacional sobre Educação Apoiada por Computador, 380-384. https://doi.org/10.5220/0004933203800384

Lodge, J. M., & Corrin, L. (2017). O que os dados e a análise podem e dizem sobre a aprendizagem eficaz. NPJ Science of Learning, 2(1), 5. https://doi.org/10.1038/s41539-017-0006-5

Mai, L., Köchling, A., & Wehner, M. C. (2022). "Este aluno precisa ficar para trás": até que ponto os instrutores confiariam na recomendação da análise de aprendizagem? SN Computer Science, 3(4), 259. https://doi.org/10.1007/s42979-022-01137-6

Marton, F., & Säljö, R. (1976). On Qualitative Differences in Learning: I-Outcome and Process. British Journal of Educational Psychology, 46(1), 4-11. https://doi.org/10.1111/j.2044-8279.1976.tb02980.x

Perone, C. S. (2025, janeiro 9). Notas sobre "On the Mode of Existence of Technical Objects" de Gilbert Simondon e Inteligência Artificial | Terra Incognita. https://blog.christianperone.com/2025/01/notes-on-gilbert-simondons-on-the-mode-of-existence-of-technical-objects-and-artificial-intelligence/

Perrenoud, P., & Meirieu, P. P. (2026). La pédagogie différenciée: Des intentions à l'action. ESF éditeur.

Porayska-Pomsta, K., Holmes, W., & Nemorin, S. (2022). A ética da IA na educação. https://doi.org/10.4324/9780429329067

Raffaghelli, J. E., Manca, S., Stewart, B., Prinsloo, P., & Sangrà, A. (2020). Apoiar o desenvolvimento de literacias críticas de dados no ensino superior: blocos de construção para culturas de dados justas na sociedade. Revista Internacional de Tecnologia Educacional no Ensino Superior, 17(1), 58. https://doi.org/10.1186/s41239-020-00235-w

Schön, D. A. (2017). O praticante reflexivo: como os profissionais pensam em ação. Routledge. https://doi.org/10.4324/9781315237473

Schwarz, G., Christensen, T., & Zhu, X. (2022). Racionalidade Limitada, Satisficing, Inteligência Artificial e Tomada de Decisão em Organizações Públicas: As Contribuições de Herbert Simon. Public Administration Review, 82(5), 902-904. https://doi.org/10.1111/puar.13540

Selwyn, N., & Gašević, D. (2020). A dataficação do ensino superior: Discutindo as promessas e os problemas. Docência no Ensino Superior, 25(4), 527-540. https://doi.org/10.1080/13562517.2019.1689388

Simon, H. A. (1955). A Behavioral Model of Rational Choice. The Quarterly Journal of Economics, 69(1), 99-118. https://doi.org/10.2307/1884852

Simon, H. A. (1981). The sciences of the artificial.

Simon, H. A. (1991). Bounded Rationality and Organizational Learning. Organization Science, 2(1), 125-134.

Simondon, G., Mellamphy, N., Mellamphy, D., & Mellamphy, N. B. (2011a). Sobre o modo de existência dos objectos técnicos. Estudos Deleuze, 5(3), 407-424.

Simondon, G., Mellamphy, N., Mellamphy, D., & Mellamphy, N. B. (2011b). Sobre o modo de existência dos objectos técnicos. Estudos Deleuze, 5(3), 407-424.

Xue, H., & Lin, L. (2026). A ética da inteligência artificial na educação: Práticas, desafios e debates: por Wayne Holmes, Kaśka Porayska-Pomsta (Eds.), Nova Iorque, Routledge, 2023, XXIII+288 pp., £139,21 (capa dura), ISBN: 978-0-367-34971-4. Journal of Education for Teaching, 0(0), 1-4. https://doi.org/10.1080/02607476.2026.2634972

You, X., & Hands, D. (2019). Uma reflexão sobre a visão de design de Herbert Simon em The Sciences of the Artificial. The Design Journal, 22(sup1), 1345-1356. https://doi.org/10.1080/14606925.2019.1594961