Uma Abordagem com Multiagentes Baseados em LLMs para o Design de Jogos Educativos Endógenos
Resumo
Introdução: O desenvolvimento de jogos educacionais endógenos requer conhecimento especializado tanto em design de jogos quanto em pedagogia, criando barreiras que limitam a adoção destas metodologias. Objetivo: Este trabalho tem como objetivo desenvolver e validar um sistema multiagente baseado em Grandes Modelos de Linguagem (LLMs) para otimizar o processo de design de jogos educacionais endógenos, por meio do preenchimento assistido do Endo-GDC (Game Design Canvas para Jogos Educativos Endógenos). Método: Seguindo a metodologia Design Science Research, o sistema foi desenvolvido integrando quatro módulos especializados: Brainstorming assistido por IA, Agente Socrático para refinamento conceitual, preenchimento assistido do Endo-GDC com agentes especializados (Coordenador, Mecânicas, Narrativa e Engajamento) e classificação de objetivos educacionais baseada na Taxonomia de Bloom Revisada. A validação foi conduzida através de 26 estudos de caso avaliados pelos frameworks TAM, TTF, AX e ADDIE. Resultados: O sistema evidenciou alta aceitação tecnológica, com utilidade percebida de 6,23 em escala de 7 pontos, adequação tarefa-tecnologia de 5,95, experiência algorítmica satisfatória de 5,80 e efetividade processual de 5,89, confirmando a eficácia do sistema em reduzir tempo de desenvolvimento mantendo qualidade pedagógica.
Palavras-chave:
LLM, Sistemas Multiagentes, Design de Jogos Educativos, Taxonomia de Bloom, Design Science Research
Referências
Anderson, L. W. e Krathwohl, D. R. (2001). A taxonomy for learning, teaching, and assessing: A revision of Bloom’s taxonomy of educational objectives: complete edition. Addison Wesley Longman, Inc.
Boller, S. e Kapp, K. (2017). Play to learn: Everything you need to know about designing effective learning games. Association for talent development.
Branch, R. M. (2009). Instructional design: The ADDIE approach, volume 722. Springer Science & Business Media.
Chen, G., Dong, S., Shu, Y., Zhang, G., Sesay, J., Karlsson, B. F., Fu, J., e Shi, Y. (2024). Autoagents: A framework for automatic agent generation. In Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence, pages 22–30.
Churches, A. (2008). Bloom’s digital taxonomy. Tech & Learning.
Cohen, P. R. e Levesque, H. J. (1990). Intention is choice with commitment. Artificial Intelligence, 42(2-3):213–261.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, pages 319–340.
Dresch, A., Lacerda, D. P., e Junior, J. A. V. A. (2020). Design science research: método de pesquisa para avanço da ciência e tecnologia. Bookman Editora.
Goodhue, D. L. e Thompson, R. L. (1995). Task-technology fit and individual performance. MIS quarterly, pages 213–236.
Hong, S., Zheng, X., Chen, J., Cheng, Y., Wang, J., Zhang, C., Wang, Z., Yau, S. K. S., Lin, Z., Zhou, L., et al. (2023). Metagpt: Meta programming for multi-agent collaborative framework. arXiv preprint arXiv:2308.00352, 3(4):6.
Kalmpourtzis, G. (2018). Educational Game Design Fundamentals: A Journey to Creating Intrinsically Motivating Learning Experiences. CRC Press, Boca Raton.
Park, J. S., O’Brien, J., Cai, C. J., Morris, M. R., Liang, P., e Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th annual acm symposium on user interface software and technology, pages 1–22.
Prensky, M. (2001). Digital Game-Based Learning. McGraw-Hill, New York.
Qian, C., Liu, W., Liu, H., Chen, N., Dang, Y., Li, J., Yang, C., Chen, W., Su, Y., Cong, X., et al. (2023). Chatdev: Communicative agents for software development. arXiv preprint arXiv:2307.07924.
Shin, D. (2021). The algorithmic transparency paradox: Explaining and justifying algorithmic decision-making. AI & Society, 36(4):1185–1200.
Taucei, B. (2019). Endo-gdc: Desenvolvimento de um game design canvas para concepção de jogos educativos endógenos. Dissertação de mestrado, Programa de Engenharia de Sistemas e Computação, COPPE/UFRJ, Rio de Janeiro, Brasil.
Zhang, H., Du, W., Shan, J., Zhou, Q., Du, Y., Tenenbaum, J. B., Shu, T., e Gan, C. (2023). Building cooperative embodied agents modularly with large language models. arXiv preprint arXiv:2307.02485.
Zhang, Y., Yang, S., Bai, C., Wu, F., Li, X., Wang, Z., e Li, X. (2024). Towards efficient llm grounding for embodied multi-agent collaboration. arXiv preprint arXiv:2405.14314.
Zhao, A., Huang, D., Xu, Q., Lin, M., Liu, Y. J., e Huang, G. (2024). Expel: Llm agents are experiential learners. Proceedings of the AAAI Conference on Artificial Intelligence, 38(2024):19632–19642.
Boller, S. e Kapp, K. (2017). Play to learn: Everything you need to know about designing effective learning games. Association for talent development.
Branch, R. M. (2009). Instructional design: The ADDIE approach, volume 722. Springer Science & Business Media.
Chen, G., Dong, S., Shu, Y., Zhang, G., Sesay, J., Karlsson, B. F., Fu, J., e Shi, Y. (2024). Autoagents: A framework for automatic agent generation. In Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence, pages 22–30.
Churches, A. (2008). Bloom’s digital taxonomy. Tech & Learning.
Cohen, P. R. e Levesque, H. J. (1990). Intention is choice with commitment. Artificial Intelligence, 42(2-3):213–261.
Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS quarterly, pages 319–340.
Dresch, A., Lacerda, D. P., e Junior, J. A. V. A. (2020). Design science research: método de pesquisa para avanço da ciência e tecnologia. Bookman Editora.
Goodhue, D. L. e Thompson, R. L. (1995). Task-technology fit and individual performance. MIS quarterly, pages 213–236.
Hong, S., Zheng, X., Chen, J., Cheng, Y., Wang, J., Zhang, C., Wang, Z., Yau, S. K. S., Lin, Z., Zhou, L., et al. (2023). Metagpt: Meta programming for multi-agent collaborative framework. arXiv preprint arXiv:2308.00352, 3(4):6.
Kalmpourtzis, G. (2018). Educational Game Design Fundamentals: A Journey to Creating Intrinsically Motivating Learning Experiences. CRC Press, Boca Raton.
Park, J. S., O’Brien, J., Cai, C. J., Morris, M. R., Liang, P., e Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. In Proceedings of the 36th annual acm symposium on user interface software and technology, pages 1–22.
Prensky, M. (2001). Digital Game-Based Learning. McGraw-Hill, New York.
Qian, C., Liu, W., Liu, H., Chen, N., Dang, Y., Li, J., Yang, C., Chen, W., Su, Y., Cong, X., et al. (2023). Chatdev: Communicative agents for software development. arXiv preprint arXiv:2307.07924.
Shin, D. (2021). The algorithmic transparency paradox: Explaining and justifying algorithmic decision-making. AI & Society, 36(4):1185–1200.
Taucei, B. (2019). Endo-gdc: Desenvolvimento de um game design canvas para concepção de jogos educativos endógenos. Dissertação de mestrado, Programa de Engenharia de Sistemas e Computação, COPPE/UFRJ, Rio de Janeiro, Brasil.
Zhang, H., Du, W., Shan, J., Zhou, Q., Du, Y., Tenenbaum, J. B., Shu, T., e Gan, C. (2023). Building cooperative embodied agents modularly with large language models. arXiv preprint arXiv:2307.02485.
Zhang, Y., Yang, S., Bai, C., Wu, F., Li, X., Wang, Z., e Li, X. (2024). Towards efficient llm grounding for embodied multi-agent collaboration. arXiv preprint arXiv:2405.14314.
Zhao, A., Huang, D., Xu, Q., Lin, M., Liu, Y. J., e Huang, G. (2024). Expel: Llm agents are experiential learners. Proceedings of the AAAI Conference on Artificial Intelligence, 38(2024):19632–19642.
Publicado
29/09/2026
Como Citar
AZEREDO, Caio Silva; XEXÉO, Geraldo Bonorino.
Uma Abordagem com Multiagentes Baseados em LLMs para o Design de Jogos Educativos Endógenos. In: CONCURSO DE TESES E DISSERTAÇÕES – MESTRADO - SIMPÓSIO BRASILEIRO DE JOGOS E ENTRETENIMENTO DIGITAL (SBGAMES), 25. , 2026, Goiânia/GO.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 532-538.
DOI: https://doi.org/10.5753/sbgames_estendido.2026.25727.
