Framework Pedagógico para Machine Learning em Contextos de Baixa Conectividade: Uma Caracterização Empírica em Moçambique
Resumo
Este estudo estabelece a linha de base para validar o Low-Resource Machine Learning Pedagogical Framework (LR-MLPF) no contexto moçambicano, com 75 participantes do ensino superior, divididos em grupo experimental (n=56) e controle (n=19). Apesar de 81,3% terem computadores, há limitações estruturais, como ausência de Internet em casa (26,7%) e cortes semanais de energia (54,7%). A autoeficácia em ML foi moderada (M=3,66; DP=0,68; α=0,81), com fragilidade na aprendizagem offline (M=3,21). Testes estatísticos confirmaram a equivalência dos grupos, evidenciando a necessidade de abordagens pedagógicas adaptadas e fundamentando futuras avaliações do impacto do LR-MLPF.
Palavras-chave:
Machine Learning, Educação Superior, Recursos Limitados, Moçambique, Autoeficácia, LR-MLPF
Referências
Artur, B., Dinga, R. S., and Gonçalves, B. M. F. (2024). Uso de recursos digitais no ambiente escolar moçambicano:: desafios no ensino superior. Video Journal of Social and Human Research, 3(1):22–34.
Bandura, A. (1997). Self-efficacy: The exercise of control. Macmillan.
Birhane, A. (2020). Algorithmic colonization of africa. SCRIPTed, 17:389.
Chee, H., Ahn, S., and Lee, J. (2025). A competency framework for ai literacy: Variations by different learner groups and an implied learning pathway. British Journal of Educational Technology, 56(5):2146–2182.
Couldry, N. and Mejias, U. A. (2020). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.
Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press, New Haven.
de Oliveira, L. A., dos Santos, A. M., Martins, R. C. G., and de Oliveira, E. L. (2023). Inteligência artificial na educação: uma revisão integrativa da literatura. Peer Review, 5(24):248–268.
Deci, E. L. and Ryan, R. M. (2012). Self-determination theory. Handbook of theories of social psychology, 1(20):416–436.
Forero-Corba, W. and Bennasar, F. N. (2024). Techniques and applications of machine learning and artificial intelligence in education: a systematic review. RIED-Revista Iberoamericana de Educaci´ on a Distancia, 27(1).
Harris, C. R., Millman, K. J., Van Der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., et al. (2020). Array programming with numpy. nature, 585(7825):357–362.
Matenga, J. A. M. and Rodas, C. M. (2024). Inteligência artificial e tecnologias: desafios para o desenvolvimento das competências docentes na educação em moçambique. PerCursos, 25:e0504–e0504.
McKinney, W. et al. (2010). Data structures for statistical computing in python. scipy, 445(1):51–56.
Murphy, C. A., Coover, D., and Owen, S. V. (1989). Development and validation of the computer self-efficacy scale. Educational and Psychological measurement, 49(4):893–899.
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature machine intelligence, 1(5):206–215.
Sanusi, I. T., Oyelere, S. S., and Omidiora, J. O. (2022). Exploring teachers’ preconceptions of teaching machine learning in high school: A preliminary insight from africa. Computers and Education Open, 3:100072.
Sanusi, I. T., Oyelere, S. S., Vartiainen, H., Suhonen, J., and Tukiainen, M. (2023). A systematic review of teaching and learning machine learning in k-12 education. Education and Information Technologies, 28(5):5967–5997.
Schwartz, R., Dodge, J., Smith, N. A., and Etzioni, O. (2020). Green ai. Commun. ACM, 63(12):54–63.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Warden, P. and Situnayake, D. (2019). Tinyml: Machine learning with tensorflow lite on arduino and ultra-low-power microcontrollers. O’Reilly Media.
Bandura, A. (1997). Self-efficacy: The exercise of control. Macmillan.
Birhane, A. (2020). Algorithmic colonization of africa. SCRIPTed, 17:389.
Chee, H., Ahn, S., and Lee, J. (2025). A competency framework for ai literacy: Variations by different learner groups and an implied learning pathway. British Journal of Educational Technology, 56(5):2146–2182.
Couldry, N. and Mejias, U. A. (2020). The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford University Press.
Crawford, K. (2021). Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. Yale University Press, New Haven.
de Oliveira, L. A., dos Santos, A. M., Martins, R. C. G., and de Oliveira, E. L. (2023). Inteligência artificial na educação: uma revisão integrativa da literatura. Peer Review, 5(24):248–268.
Deci, E. L. and Ryan, R. M. (2012). Self-determination theory. Handbook of theories of social psychology, 1(20):416–436.
Forero-Corba, W. and Bennasar, F. N. (2024). Techniques and applications of machine learning and artificial intelligence in education: a systematic review. RIED-Revista Iberoamericana de Educaci´ on a Distancia, 27(1).
Harris, C. R., Millman, K. J., Van Der Walt, S. J., Gommers, R., Virtanen, P., Cournapeau, D., Wieser, E., Taylor, J., Berg, S., Smith, N. J., et al. (2020). Array programming with numpy. nature, 585(7825):357–362.
Matenga, J. A. M. and Rodas, C. M. (2024). Inteligência artificial e tecnologias: desafios para o desenvolvimento das competências docentes na educação em moçambique. PerCursos, 25:e0504–e0504.
McKinney, W. et al. (2010). Data structures for statistical computing in python. scipy, 445(1):51–56.
Murphy, C. A., Coover, D., and Owen, S. V. (1989). Development and validation of the computer self-efficacy scale. Educational and Psychological measurement, 49(4):893–899.
Rudin, C. (2019). Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead. Nature machine intelligence, 1(5):206–215.
Sanusi, I. T., Oyelere, S. S., and Omidiora, J. O. (2022). Exploring teachers’ preconceptions of teaching machine learning in high school: A preliminary insight from africa. Computers and Education Open, 3:100072.
Sanusi, I. T., Oyelere, S. S., Vartiainen, H., Suhonen, J., and Tukiainen, M. (2023). A systematic review of teaching and learning machine learning in k-12 education. Education and Information Technologies, 28(5):5967–5997.
Schwartz, R., Dodge, J., Smith, N. A., and Etzioni, O. (2020). Green ai. Commun. ACM, 63(12):54–63.
Vygotsky, L. S. (1978). Mind in society: The development of higher psychological processes.
Warden, P. and Situnayake, D. (2019). Tinyml: Machine learning with tensorflow lite on arduino and ultra-low-power microcontrollers. O’Reilly Media.
Publicado
13/10/2026
Como Citar
JOHN, Jean M.; TIVIR, Cecilia.
Framework Pedagógico para Machine Learning em Contextos de Baixa Conectividade: Uma Caracterização Empírica em Moçambique. In: ARTIGOS DE PESQUISA - CONFERÊNCIA LATINO-AMERICANA DA TECNOLOGIAS DE APRENDIZAGEM (LACLO), 21. , 2026, Rio de Janeiro/RJ.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 28-38.
