Recycle Learning: um Jogo Educacional com Agentes Inteligentes para a Conscientização Ambiental
Resumo
Introdução: Jogos educacionais têm se consolidado como ferramentas eficazes no processo de ensino-aprendizagem. A aplicação de técnicas de Inteligência Artificial nesses jogos possibilita a personalização da experiência do jogador, adaptando dinamicamente os conteúdos e desafios ao perfil de cada aluno. No entanto, o uso dessas técnicas ainda é limitado em contextos educacionais. Objetivo: Este trabalho apresenta o desenvolvimento do jogo educacional Recycle Learning, voltado à conscientização ambiental, com foco no descarte correto de resíduos recicláveis. Metodologia: O jogo foi desenvolvido na plataforma Godot, simulando um ambiente urbano interativo. Agentes inteligentes foram modelados para que seu comportamento fosse influenciado pelas ações do jogador e treinados por meio de algoritmos de aprendizagem por reforço. Em um ambiente simulado, foram avaliados os algoritmos Q-Learning e SARSA, com o objetivo de identificar qual seria mais eficaz no aprendizado dos agentes, para posterior integração ao jogo. Resultados: Os testes demonstraram que o algoritmo Q-Learning apresentou maior estabilidade e taxa de sucesso em comparação ao SARSA, revelando-se mais adequado ao contexto proposto.
Referências
Bae, J.; Eum, K.; Kwon, H.; Lee, S.; Nam, J.; Doh, Y. Y. (2022). “Classy Trash Monster: An Educational Game for Teaching Machine Learning to Non-major Students”. In Conference on Human Factors in Computing Systems – Extended Abstracts. New Orleans, LA. p. 1-7.
Coleta seletiva. (2025). "Escola Games. Coleta seletiva: jogo educativo”, [link], março.
CONAMA. Resolução CONAMA nº 275 de 25 de Abril 2001, [link].
Correa, D. B.; Pereira, A. L.; Borges, H. B.; Bini, T. A.; Matos, S. N.; Torrens, I. C. (2024). “Jogo Educacional sobre Reciclagem para Pessoas com Deficiência Intelectual”. In XXXV Simpósio Brasileiro de Informática na Educação (SBIE 2024). Rio de Janeiro, RJ p. 1406-1416.
Dever me CHAMA. (2025). "Ludo Educativo. O dever me CHAMA: jogo educativo”, [link], fevereiro.
Foead, D.; Ghifari, A.; Kusuma, M. B.; Hanafiah, N.; Gunawan, E. (2021). A systematic literature review of a* pathfinding. In Procedia Computer Science, v. 179, p. 507–514.
Gaggi, O.; Meneghello, F.; Palazzi, C. E.; Pante, G. (2020). “Learning how to recycle waste using a game”. In Proceedings of the 6th EAI International Conference on Smart Objects and Technologies for Social Good. New York, NY, USA. p. 144-149.
ONU, 2015. Agenda 2030 para o Desenvolvimento Sustentável. Disponível: [link]. Acesso em: 20 Abr. 2025.
Rummery, G. A.; Niranjan, M. (1994). On-line Q-learning using connectionist systems (Technical Report CUED/F-INFENG/TR 166). Cambridge University Engineering Department.
Russell, S.; Norvig, P. (2021). Artificial Intelligence: A Modern Approach, Pearson Education Limited, 4th edition.
Skalee, A. A.; Kliszcz, S.; Parreira, F. J.; Silveira, S. R. (2017). Fredi no Mundo da Reciclagem: Jogo Educacional Digital para Conscientização da Importância da Reciclagem. In Revista Novas Tecnologias na Educação, v. 15, n. 1, p. 1-11.
Sutton, R. S.; Barto, A. G. (1998). Reinforcement Learning: An Introduction. Cambridge, MA: MIT Press.
Sutton, R. S.; Barto, A. G (2018) Reinforcement learning: An introduction. 2. ed. Estados Unidos da América: MIT press.
Silva Teixeira, T.; Borges, H. B.; Matos, S. N.; da Luz, V. S. G.; Ribeiro, T. L. S. (2020). PegAgente: Modelagem de Agentes por Aprendizado de Reforço em Jogos Educacionais. In Revista Novas Tecnologias na Educação, v. 18, n. 2, p. 225.
Watkins, C. J. C. H. (1989). Learning from delayed rewards. PhD Thesis, University of Cambridge, England.
Watkins, C. J.; Dayan, P. (1992). “Technical note q-learning”. Machine Learning.
Zhang, S.; Li, M.; Zuo, Z.; Niu, Z. (2023). Recent advances in plastic recycling and upgrading under mild conditions. In Green Chemistry. v. 25, p. 6949-6970. The Royal Society of Chemistry.
