IA para Matemática no Ensino Fundamental II: práticas ativas e avaliação formativa
Publicado em: 22/04/2026
Como referenciar este texto: IA para Matemática no Ensino Fundamental II: práticas ativas e avaliação formativa. Rodrigo Terra. Publicado em: 22/04/2026. Link da postagem: https://www.makerzine.com.br/educacao/ia-para-matematica-no-ensino-fundamental-ii-praticas-ativas-e-avaliacao-formativa/.
Ao combinar IA generativa (para linguagem e exemplos) com IA analítica (para dados de aprendizagem), é possível personalizar trilhas, reduzir lacunas de pré-requisitos e ampliar a participação com desenho universal para a aprendizagem (DUA).
Este guia, orientado pela BNCC, organiza usos de alto impacto: mapeamento de habilidades, tutoria adaptativa em problemas abertos, geração/curadoria de itens, feedback formativo e projetos com dados reais.
Os protocolos favorecem autonomia discente e transparência: pistas graduadas, rubricas claras, registros de evidências e critérios de segurança e LGPD. Cada seção traz sementes práticas para você adaptar.
Mapeamento de habilidades e lacunas com IA
Modele a progressão da BNCC (EF06MA a EF09MA) como uma rede de pré-requisitos e use IA para estimar domínio por habilidade via knowledge tracing e Teoria de Resposta ao Item (IRT).
Aplique diagnósticos enxutos (3–5 itens por descritor) e peça que a IA gere hipóteses de lacunas com exemplos próximos ao erro do aluno, sugerindo retomadas pontuais.
Dashboards priorizam intervenções: foque habilidades de alta centralidade na rede e baixo domínio, maximizando impacto na progressão da turma.
Estruture um pipeline de dados: colete respostas com metadados (descritor BNCC, pré-requisitos, tipo de representação, tempo e tentativas), calibre itens com IRT (2PL/3PL) ancorando em bancos existentes, faça linking vertical entre séries e atualize a proficiência do aluno a cada interação (Bayes/knowledge tracing). Inclua checagens de qualidade contínuas: consistência de gabaritos, discriminação baixa, detecção de drift e análise de funcionamento diferencial do item (DIF) para mitigar vieses.
Na prática pedagógica, rode ciclos curtos: diagnóstico rápido quinzenal, retomadas de 20–30 minutos com exemplos próximos ao erro, microtrilhas adaptativas e registros de evidência. Defina critérios claros de mastery e encerramento, use rubricas visíveis ao aluno e comunique o progresso com relatórios simples. Garanta governança e LGPD: minimização de dados, pseudonimização, consentimento informado e explicabilidade das recomendações; mantenha um livro de decisões para auditar intervenções e revisar a rede de pré-requisitos periodicamente.
Tutoria adaptativa em problemas abertos
A tutoria adaptativa em problemas abertos combina condução socrática e regulação metacognitiva para que cada estudante avance com autonomia. A IA atua como parceira de raciocínio, propondo perguntas que iluminam o caminho sem entregar resultados, sempre alinhada aos quatro passos de Polya — compreender, planejar, executar e revisar. O foco está em tornar explícitos os objetivos da tarefa, os dados relevantes e as relações entre eles, encorajando o aluno a representar, justificar e checar suas próprias ideias.
Implemente pistas graduadas com granularidade controlada: a orientação padrão é solicitar “apenas a próxima pista”. Antes de qualquer nova dica, peça evidências de compreensão, como esboços, tabelas, definições de variáveis ou um modelo simplificado do problema. Estabeleça limites didáticos claros: proibir a entrega de soluções completas, exigir validação com contraexemplos e checagens de plausibilidade (ordem de magnitude, unidades, fronteiras) e registrar o raciocínio em cada virada de turno. Esse contrato torna o processo transparente e auditável para professor e aluno.
Antecipe e modele erros típicos da turma para personalizar as intervenções. Em aritmética e álgebra, são frequentes deslizes de distributiva, manipulação de sinais, frações equivalentes e razões/proporções; em geometria, confusões entre perímetro e área ou uso indevido de fórmulas; em dados, leituras apressadas de gráficos e amostragens enviesadas. A IA deve detectar esses padrões por meio de perguntas de checagem e produzir contraexemplos curtos que desafiem a hipótese atual do estudante, sempre conectando o feedback ao objetivo de aprendizagem.
Estruture a interação em turnos curtos, com prompts de autoexplicação: “o que você sabe?”, “o que falta?”, “qual é seu próximo passo e por quê?”. Peça que o aluno explicite critérios de sucesso antes de executar o plano e, na revisão, compare o resultado com esses critérios. Registre evidências (representações, tentativas, justificativas) para feedback formativo e rubricas. À medida que a proficiência cresce, faça o fading do suporte: reduza a frequência das pistas, aumente a abertura das perguntas e introduza variações que convidem à generalização e à transferência para contextos novos.
Garanta qualidade, inclusão e segurança. Use linguagem acolhedora e acessível, ofereça alternativas de representação (texto, esboço, tabela) e mantenha histórico de decisões para que o professor intervenha quando necessário. Limite dados pessoais e cumpra LGPD; declare quando a resposta é gerada por IA e mantenha rastreabilidade das dicas. Monitore viés e calibragem: verifique se a dificuldade e o ritmo se adaptam de forma equitativa entre estudantes. Com ciclos curtos de teste e ajuste, a tutoria se integra ao planejamento e potencializa a avaliação formativa.
Geração e curadoria de itens alinhados à BNCC
Gere bancos de itens com metadados: objetivo BNCC, contexto, demanda cognitiva (DOK), dificuldade estimada (IRT) e variações isomórficas para prática espiral. Especifique ainda enunciado canônico, gabarito, solução detalhada, limites de aproximação e formatos de resposta aceitos (unidades, frações/decimais). Use IA generativa para produzir rascunhos a partir de um blueprint claro e, depois, refine manualmente a linguagem e os dados, garantindo diversidade de contextos e acessibilidade (linguagem simples, leitura em voz alta e alternativas com descrição de figuras).
Curadoria guiada: verificar alinhamento ao objetivo, clareza linguística, viés cultural, solução mínima e rationales para alternativas incorretas. Adote revisão por pares com checklist: precisão matemática, coerência entre enunciado, dados e gabarito, ausência de pistas acidentais, níveis graduados de complexidade e pertinência às faixas etárias. Registre decisões de edição e justificativas para cada alteração, criando um histórico de qualidade e reutilização.
Padronize tags (ex.: EF07MA12; tema: proporcionalidade; DOK2; prévia: razão) para recombinações rápidas e trilhas adaptativas. Inclua marcadores de erro comum (ex.: confusão razão×fração, escala vs. porcentagem), representações envolvidas (tabela, gráfico, expressão) e tipo de contexto (cotidiano, científico, financeiro). Esses metadados permitem montar provas balanceadas, sessões de prática espaçada e recomendações personalizadas com poucas regras, além de facilitar a análise de lacunas por turma e por estudante.
Varie formatos: múltipla escolha bem construída, resposta curta numérica, resposta construída com explicação e tarefas de desempenho com dados reais. Associe rubricas analíticas simples às respostas abertas, com exemplos-âncora e níveis de proficiência descritos em linguagem estudantil. Quando empregar IA para correção assistida, use a rubrica como instrução principal, forneça amostras anotadas e aplique verificação humana por amostragem até estabilizar a consistência.
Valide antes de escalar: realize pré-teste e analise parâmetros clássicos (percentual de acerto, discriminação, tempo médio) e indícios de viés (DIF por gênero/região). Para bancos grandes, calibre itens em IRT e mantenha itens âncora para comparabilidade entre aplicações. Versione itens, controle a exposição e rotas de revisão, e publique relatórios de qualidade. Por fim, assegure conformidade com a LGPD: minimização de dados, anonimização nos relatórios e governança clara de quem acessa respostas, análises e metadados.
Feedback formativo e metacognição
Estruture o feedback em três camadas integradas para maximizar clareza e autonomia. Na esfera da tarefa, aponte com precisão o que está correto, onde há lacunas e quais critérios foram atendidos. No nível do processo, descreva estratégias mais eficientes (por exemplo, decompor o problema, verificar unidades, testar casos-limite) e indique por que elas funcionam. Na autorregulação, convide o estudante a planejar, monitorar e avaliar o próprio progresso, explicitando próximos passos acionáveis e como decidir quando pedir ajuda.
Use a IA como copiloto para explicar erros com exemplos mínimos e contraexemplos que iluminem o conceito, evitando dar a resposta final. Peça reformulações em linguagem acessível e gere metas SMART (específicas, mensuráveis, alcançáveis, relevantes e temporais), vinculadas a evidências do trabalho do aluno. Proponha novas tentativas que testem a compreensão (transferência para um contexto levemente diferente, variação de números, justificativa do método) em vez de apenas repetir o mesmo tipo de item.
Crie rubricas sucintas por objetivo de aprendizagem (critérios claros e descritores por níveis) e faça a IA gerar comentários personalizados com base nelas e nas evidências do estudante. Combine trechos do raciocínio do aluno com os descritores para produzir um feedback comparativo (onde está agora versus o próximo nível) e feedforward (o que fazer para avançar). Inclua sugestões de recursos (vídeos curtos, simuladores, exercícios graduados) e alertas de concepções alternativas frequentes, mantendo a rastreabilidade entre critério, evidência e recomendação.
Promova metacognição com prompts de reflexão antes, durante e depois da tarefa: “o que já sei e o que preciso descobrir?”, “qual estratégia escolhi e por quê?”, “onde errei e como verificarei a próxima solução?”. Estimule registros de pensar alto, checklists de verificação e autoavaliações curtas alinhadas à rubrica. A IA pode sintetizar esses registros em um retrato de aprendizagem, destacando padrões (pontos fortes recorrentes, erros de atenção, lacunas de pré-requisito) e sugerindo planos de estudo semanais enxutos.
Implemente ciclos curtos de avaliação formativa: tarefa diagnóstica breve, feedback nas três camadas, nova tentativa com pistas graduadas e atualização da meta. Garanta transparência e ética: linguagem respeitosa e inclusiva, explicitação dos critérios, registros de evidências e atenção à privacidade (LGPD). Ao final de cada ciclo, peça ao estudante que escreva uma ação concreta para a próxima aula e uma evidência que mostrará sua evolução; a IA pode acompanhar esse compromisso e lembrar checkpoints, fortalecendo a autorregulação.
Projetos com dados reais e pensamento quantitativo
Projetos com dados reais aproximam a Matemática do cotidiano da turma e criam terreno fértil para pensamento quantitativo, modelagem e argumentação baseada em evidências. A partir de temas locais — mobilidade, clima, merenda, esportes, orçamento escolar — é possível articular estatística, proporcionalidade, funções e geometria, sempre com perguntas autênticas e respostas que exigem estimar, comparar e justificar.
Para conduzir o trabalho, siga um ciclo claro: formular a pergunta e as hipóteses; mapear variáveis e unidades de medida; coletar e organizar dados; tratar inconsistências (faltantes, duplicados, outliers); escolher representações; analisar; e comunicar achados e limitações. Traga fontes abertas confiáveis como IBGE, INEP, portais municipais de dados abertos e séries históricas de clima do INMET. A IA pode apoiar a limpeza, padronização de categorias e checagem de metadados, enquanto a turma registra a proveniência dos dados e observa exigências de LGPD quando houver informações pessoais.
Na etapa de representação, incentive escolhas conscientes: tabelas organizadas, gráficos de barras/linhas para variações temporais, histogramas para distribuição e dispersões/boxplots para comparar grupos. Trabalhe médias, medianas, modas e medidas de dispersão, razões e porcentagens para escalas e índices, além de relações de dependência que introduzem funções lineares (taxa de variação, intercepto) e proporcionalidade direta/inversa. Em geometria, use mapas e plantas para estimar distâncias com escalas, áreas de cobertura e rotas eficientes, conectando semelhança de triângulos e conversões de unidade.
Ferramentas acessíveis aceleram o processo: planilhas com recursos de IA para classificar e gerar gráficos, “chat com dados” via upload de CSV para explorar padrões em linguagem natural e o uso de notebooks no Colab para esboçar códigos comentados (pandas para tratamento, visualizações com bibliotecas simples). Peça que a IA explique cada passo e sugira alternativas de visualização, mas mantenha a verificação humana: conferir cálculos, validar escalas e comparar resultados com expectativas informadas pelo contexto.
Feche com comunicação e avaliação formativa: relatórios curtos, pôsteres ou vídeos que explicitem a pergunta, método, evidências, conclusões e limitações. Rubricas podem destacar clareza da pergunta, qualidade dos dados, uso correto de medidas e gráficos, justificativas matemáticas e transparência sobre o papel da IA. Discuta vieses de amostragem, incerteza e confiabilidade de fontes; incentive reprodutibilidade ao anexar planilha e roteiro usado. O objetivo é que cada estudante desenvolva autonomia para argumentar com dados e responsabilidade para usá-los com ética e precisão.
Ética, segurança e LGPD na IA escolar
Privacidade por design deve orientar todo o ciclo de vida dos dados estudantis: mapeie as categorias coletadas, colete o mínimo necessário para cada objetivo pedagógico, aplique anonimização ou pseudonimização quando não houver necessidade de identificar o aluno e defina políticas de retenção curtas com descarte seguro. Garanta transparência às famílias e estudantes por meio de avisos claros, trilhas de consentimento quando apropriado e mecanismos de opt-out sem penalizar a aprendizagem.
Conformidade com a LGPD requer definir papéis (controlador, operador e encarregado), bases legais adequadas (por exemplo, cumprimento de obrigação legal, execução de políticas públicas ou consentimento nos contextos privados), e elaborar o Relatório de Impacto à Proteção de Dados (RIPD/DPIA) para usos de alto risco. Contratos com operadores devem prever suboperadores, localização e transferência internacional de dados, padrões de segurança, logs auditáveis e prazos de exclusão, além de canais para exercício dos direitos dos titulares e registro de atendimentos.
Segurança da informação precisa ser proporcional ao risco: criptografia em trânsito e em repouso, gestão de chaves, controle de acesso por função com princípio do menor privilégio, autenticação multifator e segregação de ambientes. Estabeleça monitoramento contínuo, testes de segurança, rate limiting e filtros de conteúdo, bem como plano de resposta a incidentes com procedimentos de notificação a gestores, famílias e autoridades competentes em prazos razoáveis.
Equidade e não discriminação exigem revisão humana de itens e rubricas, diversidade de contextos culturais e linguagens acessíveis. Monitore métricas de desempenho por subgrupo (erro, tempo, evasão), investigue causas de discrepâncias e ajuste conteúdos e pistas graduadas. Aplique princípios de DUA e acessibilidade (leitura em voz alta, contraste adequado, linguagem simples) e implemente salvaguardas para evitar estereótipos ou reforço de vieses nos exemplos e na tutoria automatizada.
Operação responsável na escola inclui preferência por processamento local (on-device) ou em ambientes com residência de dados no Brasil, minimização de envio a terceiros e guardrails que limitem coleta de dados sensíveis. Garanta transparência pedagógica (disclaimers de uso de IA, registro de versões e fontes), integridade acadêmica (orientações contra plágio e alucinações, checagem humana do feedback) e caminhos offline quando necessário. Crie um comitê de governança com direção, TI, docentes, estudantes e famílias, e adote ciclos de melhoria contínua para revisar riscos, eficácia e impactos.
Planejamento e coautoria de aulas com IA
Adote planejamento reverso (Wiggins & McTighe): defina evidências de aprendizagem e peça à IA sequências e materiais alinhados às metas. Explicite resultados esperados, critérios de sucesso e exemplos de respostas-modelo, para que a IA gere propostas coerentes com a intenção pedagógica e com a progressão da BNCC.
Solicite variações por nível de apoio (andaimagem), DOK/Bloom e checkpoints de compreensão com perguntas de alto impacto. Peça versões com linguagem acessível, analogias e representações múltiplas (numérica, algébrica, visual), além de momentos de metacognição para os alunos explicarem os porquês de seus passos.
Integre às “5 práticas” para discussão matemática: antecipar, monitorar, selecionar, sequenciar e conectar, com a IA apoiando a curadoria de estratégias. Use o assistente para simular soluções de estudantes, prever erros comuns e planejar perguntas que conectem ideias-chave, garantindo espaço para raciocínio e argumentação.
Modele coautoria: converta objetivos da BNCC em rubricas com critérios observáveis e peça à IA exemplos de tarefas ricas (investigações, modelagem, jogos de dados) com níveis de desempenho descritos em linguagem estudantil. Inclua sugestões de pistas graduadas, erros comuns e extensões para alunos que avançarem mais rápido, bem como adaptações para necessidades específicas.
Ao final, use a IA para gerar planos de aula em formato reutilizável (sumário, materiais, roteiro minuto a minuto, perguntas-chave, avaliação formativa e dever opcional), além de versões acessíveis conforme DUA. Registre prompts e fontes em um repositório compartilhado, valide a privacidade (LGPD) e itere com base em evidências coletadas, fortalecendo a autoria docente e o aprendizado dos estudantes.