Sistema Adaptativo Baseado em Regras para o Ensino de Programação em Python: Um Estudo Experimental
Resumo
Este trabalho apresenta a aplicação e avaliação de um sistema adaptativo baseado em regras para o ensino de programação em Python, implementado no Google Forms. O estudo envolveu 24 estudantes da educação básica, distribuídos em duas turmas, considerando desempenho, aprendizagem e experiência do usuário. Os resultados evidenciam melhora no desempenho e elevada satisfação, além de convergência entre estudantes com diferentes níveis iniciais. Estudantes com menor desempenho inicial apresentaram maior evolução, enquanto os reforços atuaram como mecanismo de suporte. Os achados indicam potencial da abordagem para personalizar a aprendizagem e reduzir desigualdades educacionais.
Palavras-chave:
Sistemas Adaptativos, Aprendizagem Personalizada, Ensino de Programação
Referências
Alshabandar, R., Hussain, A., Keight, R., and Khan, W. (2020). “Students performance prediction in online courses using machine learning algorithms”. In 2020 International Joint Conference on Neural Networks (IJCNN), pp. 1–7. IEEE. DOI: 10.1109/IJCNN48605.2020.9207196.
Barreto, A., Boente, A., Grion, R., Dantas, C., Chavarri, F. (2026). “Sistema RICON aplicado à neurociência do consumidor: um estudo desenvolvido no Colégio Militar do Rio de Janeiro com apoio de aprendizado de máquina”. Revista Científica Fundação Osorio, 10(1), 82–86. DOI: 10.5281/zenodo.18769862.
Eryilmaz, M. and Adabashi, A. (2020). “Development of an intelligent tutoring system using Bayesian networks and fuzzy logic for a higher student academic performance”. Applied Sciences, 10(19), 6638. DOI: 10.3390/app10196638.
Fernandes, I., Passos, C., Barreto, A. L., Rodrigues, M., Boente, A., Grion, R., de Lima, L., Sulaiman, A., and Goldschmidt, R. (2026). “Formação Docente para Uso de IA na Educação Básica: Avaliando Resultados de uma Capacitação Experimental”. In Workshop sobre Educação em Computação (WEI), pp. 233–244. SBC. DOI: 10.5753/wei.2026.22704.
Grion, R., Koifman, A. B., Moraes, L. O., and Ferreira, M. S. L. (2026). “Predictive Modeling of Rice Production in South America Using Machine Learning”. In Simpósio Brasileiro de Sistemas de Informação (SBSI), pp. 576–595. SBC. DOI: 10.5753/sbsi.2026.248573.
Grion, R. and Moraes, L. O. (2026). “Aplicação e Avaliação de um Sistema Adaptativo Baseado em Lógica Fuzzy para o Ensino de Robótica com Arduino”. In Simpósio Brasileiro de Educação em Computação (EduComp), pp. 770–783. SBC. DOI: 10.5753/educomp.2026.18658.
Hake, R. R. (1998). “Interactive-engagement versus traditional methods: A six-thousand-student survey of mechanics test data for introductory physics courses”. American Journal of Physics, 66(1), 64–74. DOI: 10.1119/1.18809.
Langenberg, B., Janczyk, M., Koob, V., Kliegl, R., and Mayer, A. (2023). “A tutorial on using the paired t test for power calculations in repeated measures ANOVA with interactions”. Behavior Research Methods, 55(5), 2467–2484. DOI: 10.3758/s13428-022-01902-8.
Mao, A., Chen, J., and Liu, Y.-J. (2024). “Improving knowledge tracing via considering conceptual structure and individual differences”. In Proceedings of the ACM Turing Award Celebration Conference-China 2024, pp. 59–65. DOI: 10.1145/3674399.3674427.
Maryono, D., Sajidan, Akhyar, M., Sarwanto, Wicaksono, B. T., and Prakisya, N. P. T. (2025). “NgodingSeru.com: an adaptive e-learning system with gamification to enhance programming problem-solving skills for vocational high school students”. Discover Education, 4(1), 157. DOI: 10.1007/s44217-025-00581-9.
Prihar, E., Haim, A., Sales, A., and Heffernan, N. (2022). “Automatic interpretable personalized learning”. In Proceedings of the Ninth ACM Conference on Learning@ Scale, pp. 1–11. DOI: 10.1145/3491140.3528267.
Rodrigues, M., Boente, A., Sant Anna, I., Grion, R., and Barreto, A. L. (2025). “Google Forms como ferramenta para sistemas adaptativos educacionais: uma proposta metodológica com suporte de IA generativa”. Revista Babilônia, 11(1). DOI: 10.5281/zenodo.19116540.
Shute, V. J. (2008). “Focus on formative feedback”. Review of Educational Research, 78(1), 153–189. DOI: 10.3102/0034654307313795.
Vie, J.-J. and Kashima, H. (2019). “Knowledge tracing machines: Factorization machines for knowledge tracing”. In Proceedings of the AAAI Conference on Artificial Intelligence, 33(1), 750–757. DOI: 10.1609/aaai.v33i01.3301750.
Barreto, A., Boente, A., Grion, R., Dantas, C., Chavarri, F. (2026). “Sistema RICON aplicado à neurociência do consumidor: um estudo desenvolvido no Colégio Militar do Rio de Janeiro com apoio de aprendizado de máquina”. Revista Científica Fundação Osorio, 10(1), 82–86. DOI: 10.5281/zenodo.18769862.
Eryilmaz, M. and Adabashi, A. (2020). “Development of an intelligent tutoring system using Bayesian networks and fuzzy logic for a higher student academic performance”. Applied Sciences, 10(19), 6638. DOI: 10.3390/app10196638.
Fernandes, I., Passos, C., Barreto, A. L., Rodrigues, M., Boente, A., Grion, R., de Lima, L., Sulaiman, A., and Goldschmidt, R. (2026). “Formação Docente para Uso de IA na Educação Básica: Avaliando Resultados de uma Capacitação Experimental”. In Workshop sobre Educação em Computação (WEI), pp. 233–244. SBC. DOI: 10.5753/wei.2026.22704.
Grion, R., Koifman, A. B., Moraes, L. O., and Ferreira, M. S. L. (2026). “Predictive Modeling of Rice Production in South America Using Machine Learning”. In Simpósio Brasileiro de Sistemas de Informação (SBSI), pp. 576–595. SBC. DOI: 10.5753/sbsi.2026.248573.
Grion, R. and Moraes, L. O. (2026). “Aplicação e Avaliação de um Sistema Adaptativo Baseado em Lógica Fuzzy para o Ensino de Robótica com Arduino”. In Simpósio Brasileiro de Educação em Computação (EduComp), pp. 770–783. SBC. DOI: 10.5753/educomp.2026.18658.
Hake, R. R. (1998). “Interactive-engagement versus traditional methods: A six-thousand-student survey of mechanics test data for introductory physics courses”. American Journal of Physics, 66(1), 64–74. DOI: 10.1119/1.18809.
Langenberg, B., Janczyk, M., Koob, V., Kliegl, R., and Mayer, A. (2023). “A tutorial on using the paired t test for power calculations in repeated measures ANOVA with interactions”. Behavior Research Methods, 55(5), 2467–2484. DOI: 10.3758/s13428-022-01902-8.
Mao, A., Chen, J., and Liu, Y.-J. (2024). “Improving knowledge tracing via considering conceptual structure and individual differences”. In Proceedings of the ACM Turing Award Celebration Conference-China 2024, pp. 59–65. DOI: 10.1145/3674399.3674427.
Maryono, D., Sajidan, Akhyar, M., Sarwanto, Wicaksono, B. T., and Prakisya, N. P. T. (2025). “NgodingSeru.com: an adaptive e-learning system with gamification to enhance programming problem-solving skills for vocational high school students”. Discover Education, 4(1), 157. DOI: 10.1007/s44217-025-00581-9.
Prihar, E., Haim, A., Sales, A., and Heffernan, N. (2022). “Automatic interpretable personalized learning”. In Proceedings of the Ninth ACM Conference on Learning@ Scale, pp. 1–11. DOI: 10.1145/3491140.3528267.
Rodrigues, M., Boente, A., Sant Anna, I., Grion, R., and Barreto, A. L. (2025). “Google Forms como ferramenta para sistemas adaptativos educacionais: uma proposta metodológica com suporte de IA generativa”. Revista Babilônia, 11(1). DOI: 10.5281/zenodo.19116540.
Shute, V. J. (2008). “Focus on formative feedback”. Review of Educational Research, 78(1), 153–189. DOI: 10.3102/0034654307313795.
Vie, J.-J. and Kashima, H. (2019). “Knowledge tracing machines: Factorization machines for knowledge tracing”. In Proceedings of the AAAI Conference on Artificial Intelligence, 33(1), 750–757. DOI: 10.1609/aaai.v33i01.3301750.
Publicado
13/10/2026
Como Citar
BARRETO, Ana; BOENTE, Alexandre; RODRIGUES, Marcelo; GRION, Renan; MEDINA, Márcio.
Sistema Adaptativo Baseado em Regras para o Ensino de Programação em Python: Um Estudo Experimental. 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. 53-67.
