🎓 Conclusion Course Work

📖 Sobre o Projeto

Este Trabalho de Conclusão de Curso desenvolve uma ferramenta tecnológica para auxiliar professores de matemática na identificação automatizada de competências individuais dos alunos, permitindo a criação de planos de ensino adaptativos e personalizados.

Instituição: Instituto Federal Catarinense - Campus Videira
Curso: Ciência da Computação
Orientador: Prof. Dr. Rafael Zanin
Coorientador: Prof. Dr. Manassés Ribeiro
Acadêmico: Thales Ferreira

📊 Resultados da Revisão Sistemática (Fase 1)

🔍 Fluxo PRISMA 2020

A revisão sistemática seguiu rigorosamente a guideline de relato PRISMA 2020 (Preferred Reporting Items for Systematic Reviews and Meta-Analyses):

• Identificação: 9.431 registros coletados de 4 bases de dados acadêmicas (incluindo duplicatas)
• Remoção de Duplicatas: 2.517 duplicatas removidas (26,6%) → 6.914 registros únicos
• Triagem: 6.914 artigos avaliados por título/resumo → 5.054 excluídos (72,8%)
• Elegibilidade: 1.883 artigos para avaliação de texto completo → 1.866 excluídos (99,1%)
• Inclusão: 17 estudos incluídos na síntese qualitativa final (pontuação ≥ 4.0)
• Taxa de Inclusão Final: ~0,18% dos registros identificados

🗄️ Bases de Dados Consultadas

🔬 Avaliação de Qualidade (MMAT 2018)

Os 17 estudos foram avaliados quanto à qualidade metodológica usando o MMAT 2018 (Mixed Methods Appraisal Tool). A pontuação média foi 3.12/5, indicando qualidade moderada a boa:

• 3 estudos (18%): Score 5/5 — Muito Alta (Pejic 2021, Depren 2017, MacLellan 2017)
• 3 estudos (18%): Score 4/5 — Alta (Appiah-Odame 2024, Mertasari 2023, Hasib 2022)
• 6 estudos (35%): Score 3/5 — Moderada
• 3 estudos (18%): Score 2/5 — Baixa
• 2 estudos (12%): Score 1/5 — Muito Baixa

🔍 Visualizar relatório detalhado MMAT →

📈 Síntese Temática dos Estudos Incluídos

🔑 Estratégia de Busca

72 combinações únicas executadas através de 4 APIs acadêmicas, cobrindo o período de 2016–2025 (10 anos):

• 3 termos matemáticos: "mathematics", "math", "matemática"
• 24 termos computacionais: adaptive, personalized, machine learning, AI, intelligent tutor, predictive analytics, student modeling, deep learning, neural network, etc. (12 EN + 12 PT)
• 4 termos educacionais: "education", "learning", "educacao", "ensino"
• Estratégia: Combinações triplas com operador booleano AND (base_term AND tech_term AND edu_term)
• Distribuição: 48 consultas em inglês + 24 consultas em português
• Critério de Inclusão: Pontuação de relevância ≥ 4.0 (escala 0–5)

🎯 Objetivos do Projeto

Objetivo Geral

Mapear e analisar sistematicamente as aplicações de técnicas computacionais — especialmente machine learning, learning analytics e sistemas de tutoria inteligente — no contexto da educação matemática, identificando tendências, lacunas de pesquisa e oportunidades para o desenvolvimento de um modelo computacional (MVP) que auxilie professores na personalização do ensino e no diagnóstico de competências.

Objetivos Específicos

• ✅ OE1: Realizar revisão sistemática da literatura seguindo a guideline de relato PRISMA 2020 para identificar estudos que apliquem técnicas computacionais na educação matemática (2016-2025)
• ✅ OE2: Identificar e categorizar as principais abordagens de IA (Machine Learning, Deep Learning, NLP, Educational Data Mining) aplicadas à educação matemática
• ✅ OE3: Classificar as aplicações segundo suas finalidades pedagógicas: tutoria inteligente, diagnóstico, avaliação automatizada, personalização, predição e feedback adaptativo
• ✅ OE4: Analisar criticamente as metodologias de avaliação utilizadas para validar a eficácia de sistemas computacionais em contextos educacionais
• ✅ OE5: Mapear sistematicamente as lacunas de pesquisa, limitações técnicas e desafios reportados nos estudos incluídos
• ✅ OE6: Criar um pipeline automatizado e reproduzível para coleta, processamento e análise de literatura científica

📅 Fases do Projeto

🛠️ Tecnologias Utilizadas