Artigo de investigação

Uma Plataforma Educacional Abrangente Baseada em Inteligência Artificial Gerativa

DOI:

10.3791/69821

⸱

10 de julho de 2026

1School of Education, City University of Macau

Neste artigo

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Aproveitando a inteligência artificial generativa (GAI) para suporte ao ensino, a plataforma oferece experiências de aprendizagem personalizadas, adaptáveis às diversas necessidades dos usuários. Também oferece abordagens práticas de aprendizagem abundantes que não apenas enriquecem o processo de aprendizagem, mas também promovem competências de aprendizagem ao longo da vida na era digital, alinhadas com os objetivos de desenvolvimento sustentável na educação em engenharia.

Resumo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

A Inteligência Artificial Generativa (GAI) tem apresentado avanços significativos nos últimos anos, demonstrando potencial transformador para a educação ao possibilitar a criação dinâmica de conteúdo e caminhos de aprendizagem personalizados. No entanto, muitas plataformas educacionais existentes dependem de conteúdo estático e caminhos fixos, carecendo da arquitetura integrada necessária para aproveitar plenamente as capacidades da GAI e criar experiências de aprendizagem coesas e adaptativas. Para suprir essa lacuna, este estudo detalha o design, implementação e avaliação empírica de uma nova e abrangente plataforma educacional construída sobre o GAI. A plataforma é baseada em uma arquitetura de três camadas que transcende os frameworks tradicionais: uma Camada Técnica Básica que integra modelos modulares de IA (por exemplo, Transformer, CNN-BiLSTM baseada em atenção), um Centro de Processamento para síntese de dados em tempo real e otimização de modelos, e uma Camada de Aplicação e Interação que abriga oito módulos funcionais principais, incluindo aprendizado personalizado, perguntas e respostas inteligentes e avaliação de competências. Essa arquitetura integrada facilita uma experiência de aprendizagem dinamicamente personalizável que se adapta continuamente às necessidades e ao progresso de cada aprendiz. Para avaliar a eficácia da plataforma, realizamos um ensaio clínico randomizado (ECR) envolvendo 50 estudantes de graduação e 20 educadores ao longo de dois semestres, comparando os resultados com um grupo controle usando métodos tradicionais. Resultados experimentais demonstram que a plataforma proposta melhora significativamente os resultados de aprendizagem, aumenta as métricas de engajamento dos alunos (por exemplo, tempo na tarefa e taxas de interação de conteúdo) e alcança alta precisão no emparelhamento personalizado de conteúdo. Os achados sugerem que essa plataforma baseada em GAI constitui um avanço na tecnologia educacional ao personalizar efetivamente a instrução e apoiar a aprendizagem adaptativa em larga escala. Este estudo contribui com um projeto arquitetônico detalhado e replicável, além de fornecer evidências empíricas que apoiam o valor prático dos sistemas integrados de GAI para aumentar a eficácia educacional e fomentar competências de aprendizagem ao longo da vida.

Introdução

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Em meio à aceleração da inovação tecnológica, especialmente em inteligência artificial (IA), ferramentas como a IA estão encontrando aplicações cada vez maiores na educação em engenharia. Ao mesmo tempo, as pessoas chegaram a um consenso de que o objetivo de promover o desenvolvimento sustentável é uma busca global. Portanto, integrar o desenvolvimento sustentável à educação em engenharia — ao mesmo tempo que melhora os níveis técnicos do setor e aumenta a conscientização sobre sustentabilidade dos alunos — tornou-se um foco chave da reforma educacional atual, impulsionando a exploração de inovações educacionais habilitadas por IA. A aplicação da IA na educação abre possibilidades para um aprendizado personalizado. Especificamente, o GAI oferece potencial transformador para ambientes de ensino e aprendizagem. Ela possibilita a criação dinâmica de diversas formas de conteúdo e a adaptação dos recursos de aprendizagem aos perfis individuais dos alunos, o que pode aumentar o engajamento e a eficácia. Essa tecnologia possibilita a geração de formatos de conteúdo diversos, facilitando a criação de materiais de aprendizagem personalizados. Além disso, pode adaptar dinamicamente os recursos de aprendizagem aos perfis individuais dos alunos, aumentando assim o engajamento e a eficácia daaprendizagem 1. Além disso, a plataforma foi projetada para se adaptar ao progresso do aprendiz. Ele ajusta dinamicamente a apresentação do conteúdo e recomenda atividades de aprendizagem alinhadas aos objetivos individuais, visando otimizar os resultados de aprendizagem.

No entanto, integrar IA às plataformas educacionais exige superar obstáculos técnicos significativos. Primeiro, modelos de deep learning devem ser treinados em conjuntos de dados massivos para garantir que gerem conteúdo de alta qualidade que atenda aos padrões educacionais. Além disso, os algoritmos de aprendizado por reforço precisam ser ajustados com precisão — não apenas para personalizar os caminhos de aprendizagem para usuários individuais com precisão, mas também para manter a completude do conteúdo instrucional. Além disso, as capacidades de processamento de linguagem natural são essenciais para criar sistemas interativos de tutoria que simulem diálogos semelhantes aos humanos e forneçam feedback em temporeal 2,3,4. Nesse contexto, há uma necessidade urgente de uma plataforma educacional abrangente que aproveite todo o potencial do GAI para oferecer experiências de aprendizagem personalizadas, envolventes eadaptativas 5. Essas plataformas têm um potencial significativo para remodelar o cenário da educação online, tornando-a mais adaptativa e personalizada, alinhando-se e apoiando os objetivos dos paradigmas contemporâneos de aprendizagem ao longo da vida. Nesta nova era, o conteúdo educacional não permanecerá fixo; Em vez disso, ela evoluirá junto com o crescimento pessoal dos alunos e suas necessidades em constante mudança.

Pesquisas existentes mostraram que tecnologias emergentes, como IA e modelos em grande escala, podem melhorar efetivamente a qualidade do ensino e da aprendizagem na educaçãoem engenharia 5 e muitos estudos exploraram as potenciais aplicações do GAI em plataformas educacionais personalizadas, com o objetivo de proporcionar experiências de aprendizagem personalizadas para osalunos 6. Ao mesmo tempo, a educação para o desenvolvimento sustentável (ESD) tornou-se uma prioridade cada vez mais central na educação global em engenharia, com pesquisas existentes destacando consistentemente que alfabetização em sustentabilidade e pensamento sistêmico são competências essenciais inegociáveis para engenheiroscontemporâneos 7. Para atender a essa demanda crítica de treinamento, a arquitetura GAI proposta neste estudo estabelece uma ligação prática e acionável entre os objetivos de aprendizagem de ESD e o desenvolvimento de habilidades em engenharia: nossa plataforma integra módulos de avaliação de impacto em sustentabilidade, fluxos de trabalho de análise do ciclo de vida (LCA) e prompts de design sustentável baseados em cenários em sua estrutura central, permitindo que os aprendizes de engenharia traduzam diretamente os princípios de sustentabilidade em decisões técnicas ao longo de todo o processo ciclo de projeto de engenharia. Uma área de foco é o uso do GAI para automatizar a criação de conteúdo educacional. Moulaei et al.7 exploraram como algoritmos de IA podem gerar exercícios, quizzes e até lições inteiras com base nas necessidades específicas e estilos de aprendizagem de cada aluno. Essa abordagem mostra potencial para reduzir a carga de trabalho dos educadores e proporcionar uma experiência de aprendizagem mais personalizada para os alunos, o que forneceu uma base técnica para o trabalho posterior de Zhao et al.8.

Outra área de interesse é o uso do GAI para sistemas de aprendizagemadaptativa 9. Esses sistemas utilizam algoritmos de IA para analisar o desempenho de aprendizagem dos alunos e ajustar os materiais de aprendizagem em tempo real, atendendo assim às necessidades dos alunos de forma mais precisa. Essa abordagem não só melhora os resultados de aprendizagem, mas também garante que os alunos sejam desafiados em um nível adequado — nem fácil demais para falta de estímulo nem difícil de acompanhar. Além disso, o GAI também foi explorado por seu potencial na automatização de processos de avaliação e feedback10 e para servir como uma plataforma inteligente de suporteà decisão 11. Algoritmos de IA podem ser usados para corrigir automaticamente as tarefas dos alunos e fornecer feedback oportuno, economizando tempo para os educadores e ajudando os alunos a aprenderem de forma mais eficaz. Smith et al.12 também exploraram a aplicação de ferramentas GAI, como o ChatGPT, no ensino superior, com foco na aceitação e uso dessas tecnologias entre estudantes e professores de diferentes gerações. O estudo revelou que estudantes nativos digitais, por sua imersão vitalícia em tecnologias digitais, apresentam um nível mais alto de aceitação em relação a essas aplicações; Em contraste, professores imigrantes digitais tendem a adotar uma postura mais cautelosa e conservadora em relação a esses aplicativos digitais, mostrando relutância em testá-los de forma casual. Essa diferença geracional apresenta novos desafios e oportunidades para integrar estilos de ensino e tecnologias educacionais. Imran et al.13 avaliaram a aplicação de ferramentas de IA generativa de próxima geração na educação, especialmente na criação de materiais didáticos e no fornecimento de feedback personalizado.

Os resultados sugerem que essas ferramentas podem ajudar educadores a gerar recursos educacionais diversificados e fornecer feedback em tempo real, mas também apontam desafios relacionados a padrões éticos e uso equitativo. Cabrera et al.14 analisaram a conscientização e o uso do GAI pelos estudantes por meio de pesquisas em seis universidades de Hong Kong. A maioria dos alunos tem uma atitude positiva, reconhecendo sua utilidade no aprendizado personalizado e no feedback imediato. No entanto, também são levantadas preocupações sobre dependência excessiva e possíveis vieses. Mishra et al.15 detalham a aplicação do GAI, assim como o ChatGPT, na formação de professores, especialmente no planejamento curricular, pensamento crítico e abertura educacional. Destaca que o GAI pode fornecer mecanismos de apoio específicos e recursos educacionais para os professores, mas também ressalta a necessidade de avaliar cuidadosamente suas limitações e possíveis vieses para garantir sua eficácia como ferramenta educativa. Mishra et al.16 refletem sobre o impacto transformador das estratégias do GAI no ensino e na formação de professores. O método defende considerar a ética e as políticas no uso da tecnologia educacional para garantir o uso equitativo e eficaz das tecnologias de IA.

Os esforços acadêmicosexistentes 17,18,19,20,21,22 sugerem que o GAI tem potencial para transformar a educação ao proporcionar experiências de aprendizagem personalizadas, adaptar-se às necessidades dos alunos em tempo real e automatizar tarefas demoradas para os educadores. No entanto, também existem desafios associados ao uso da IA na educação, como a necessidade de dados precisos para treinar modelos de IA e possíveis vieses nos algoritmos de IA23,24. Mais pesquisas são necessárias para enfrentar esses desafios e realizar plenamente o potencial do GAI em uma educação eficaz. Pesquisas anteriores estabeleceram a eficácia das tecnologias de IA 20,21,22,23,24,25 em viabilizar aprendizagem adaptativa26,27, fornecer feedback personalizado28,29 e explorar aplicações educacionais mais amplas 30,31. No entanto, estudos existentes sobre plataformas educacionais habilitadas por GAI têm focado principalmente na otimização funcional incremental e em estudos de caso isolados de aplicações. Permanece uma lacuna crítica não resolvida em pesquisa: as plataformas educacionais existentes do GAI não possuem uma arquitetura unificada, escalável e pedagogicamente robusta e integrada, com limitações generalizadas como design fragmentado de módulos, baixa interoperabilidade entre cenários e ausência de estrutura incorporada para treinamento sistemático de competências (incluindo conscientização sobre sustentabilidade para aprendizes de engenharia). Para suprir essa lacuna, este estudo investiga uma plataforma educacional abrangente baseada em GAI sob uma perspectiva arquitetônica fundamental, detalhando sistematicamente seu design modular, estrutura de interoperabilidade entre cenários e avaliação empírica multi-interessada. Esse trabalho avança o campo ao estabelecer um paradigma arquitetônico integrado padronizado para aplicações GAI na educação em engenharia, visando aprimorar tanto os resultados educacionais quanto o desenvolvimento de competências essenciais. As três principais contribuições desta obra são listadas da seguinte forma.

  • Uma Estrutura para a Geração Dinâmica de Experiências de Aprendizagem. A estrutura utiliza o GAI para construir um ambiente de aprendizagem que evolui com base nas interações do usuário e nos dados de desempenho. Essa estrutura constrói um ambiente de aprendizagem em evolução dinâmica via GAI, que ajusta e otimiza em tempo real com base nos padrões de interação e hábitos de aprendizagem dos usuários — garantindo que o conteúdo educacional permaneça atualizado, envolvente e alinhado às necessidades individuais. Esse mecanismo dinâmico faz duas coisas principais: primeiro, garante que o conteúdo educacional permaneça atualizado e não fique desatualizado, e segundo, torna o conteúdo mais envolvente — tudo isso atendendo às necessidades personalizadas únicas de cada aprendiz.
  • Um projeto arquitetônico integrado e adaptativo. A arquitetura de três camadas coordena de forma holística os componentes adaptativos, garantindo que as ferramentas de aprendizado permaneçam eficazes durante toda a progressão do usuário. Essa arquitetura de três camadas coordena de forma holística componentes adaptativos que evoluem com os usuários, garantindo que o conteúdo educacional e as ferramentas permaneçam eficazes durante toda a jornada de aprendizado, ao mesmo tempo em que proporcionam uma experiência educacional coesa e abrangente.
  • Personalização Orientada por Dados em Escala. A plataforma utiliza análises de aprendizado contínuo para permitir a personalização em larga escala orientada por dados. Ele adapta dinamicamente o conteúdo, o ritmo e o estilo instrucional de acordo com as preferências e habilidades cognitivas individuais do aprendiz. Seus objetivos centrais de design são reduzir a carga cognitiva extra, melhorar a eficiência do aprendizado e aprimorar a experiência geral de aprendizagem. Este estudo testa uma hipótese central de pesquisa por meio de um ensaio clínico randomizado. A hipótese é que essa plataforma de aprendizagem personalizada habilitada pelo GAI pode reduzir significativamente a carga cognitiva dos aprendizes de engenharia, melhorar a eficiência de aprendizagem e aprimorar tanto os resultados de aprendizagem e a experiência de aprendizagem relacionados à ESD quanto aos modelos tradicionais de ensino de engenharia não personalizados.

O trabalho testa uma hipótese central de pesquisa. É que essa plataforma de aprendizagem personalizada habilitada por GAI pode reduzir significativamente a carga cognitiva dos aprendizes de engenharia, melhorar a eficiência da aprendizagem e aprimorar tanto os resultados de aprendizagem quanto a experiência de aprendizagem relacionados à ESD em comparação com modelos tradicionais de instrução de engenharia não personalizados.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Protocolo

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo foi conduzido de acordo com as diretrizes éticas da Universidade de Educação de Hong Kong. O consentimento informado foi obtido de todos os participantes antes da coleta dos dados.

1. Especificação da Plataforma

O sistema avaliado é um protótipo de pesquisa personalizado, implementado como uma aplicação baseada na web. O ambiente de software é construído em Python 3.9 e TensorFlow 2.12. Os modelos principais de IA (CNN-BiLSTM, Transformer) são hospedados em uma GPU NVIDIA A100 (40 GB de VRAM) dentro de um pipeline de processamento baseado em servidor. A arquitetura consiste em três camadas: Primeiro, uma camada técnica básica que integra uma rede CNN-BiLSTM com atenção aprimorada, um módulo Transformer e componentes de aprendizado por reforço; segundo, um centro de processamento para fusão multimodal de dados em tempo real e otimização de modelos; e terceiro, uma camada de aplicação com oito módulos funcionais, incluindo aprendizagem personalizada, perguntas e respostas, avaliação de competências e análise de comportamento (Figura 1).

2. Preparar e curar dados de treinamento

Colete conjuntos de dados multimodais de repositórios educacionais públicos (por exemplo, históricos escolares online abertos, registros de interação em vídeo educacional) e fontes proprietárias. Reúna logs de interação anonimizados de 50 estudantes de graduação e 20 educadores durante os testes piloto (janeiro–junho de 2024). Pré-processe o texto usando spaCy v3.5 (Honnibal et al., 2020) com os seguintes procedimentos fixos. Primeiro, carregue o modelo acadêmico acadêmico pré-treinado en_core_web_md. Segundo, realize a tokenização usando o tokenizador acadêmico padrão do modelo, que lida adequadamente com a terminologia de engenharia técnica e desenvolvimento sustentável. Terceiro, realizar a lemmatização usando o lematizador padrão baseado em regras e híbrido estatístico do modelo, sem regras de lemmatização personalizadas aplicadas. Normalize os quadros de vídeo para resolução de 224 x 224 usando os seguintes passos fixos. Primeiro, redimensione todos os quadros usando interpolação bilinear, que é o método padrão para pré-processamento educacional de quadros de vídeo. Segundo, não aplique normalização ou corte adicional de cores além do redimensionamento uniforme para preservar o conteúdo educacional original. Remova informações pessoais identificáveis para garantir a conformidade com a privacidade utilizando os seguintes procedimentos fixos. Primeiro, use o módulo de reconhecimento de entidades nomeadas do spaCy v3.5 dentro do modelo en_core_web_md para detectar e redigir automaticamente todos os nomes pessoais, endereços de e-mail, números de telefone e identificadores institucionais. Segundo, revise manualmente uma amostra aleatória de 10% de todos os quadros de texto e vídeo pré-processados para verificar a remoção completa de PII, sem discrepâncias encontradas no conjunto de dados final.

3. Treinar e validar modelos

O treinamento empregou três paradigmas: primeiro, aprendizagem supervisionada (otimizador Adam, taxa de aprendizado = 1e-4, tamanho do lote = 32) para prever o desempenho dos alunos a partir de logs de interação rotulados; segundo, agrupamento não supervisionado de K-means (k = 5) para identificar padrões comportamentais distintos; e terceiro, aprendizado por reforço para recomendação de conteúdo adaptativo, com uma função de recompensa definida como engajamento x precisão. Os hiperparâmetros foram ajustados por meio de busca aleatória em 100 testes em um conjunto de validação mantido para garantir robustez. Os dados de entrada para os modelos consistiam em fluxos multimodais pré-processados e anonimizados: sequências de texto tokenizadas, quadros de vídeo RGB 224 x 224 e metadados de interação estruturada (por exemplo, carimbos de tempo, tipos de ação). Os principais resultados gerados pelo sistema incluem escores numéricos de previsão (por exemplo, probabilidade de domínio), logs detalhados de interação em formato JSON e relatórios de avaliação de competência em PDF.

figure-protocol-1
Figura 1: Arquitetura da plataforma educacional abrangente. Este diagrama ilustra toda a estrutura hierárquica do protótipo de pesquisa educacional personalizada baseada na web, incluindo a Camada de Aplicação e Interação voltada para o usuário, o Centro de Processamento de Dados multimodal e a Camada Técnica Básica orientada por modelos de IA, com mapeamento claro do fluxo de dados entre camadas. Por favor, clique aqui para ver uma versão ampliada desta figura.

4. Conduza a Avaliação Empírica

Recrutaram 70 participantes (50 estudantes de engenharia de graduação e 20 educadores) da Universidade de Educação de Hong Kong. Eles foram atribuídos aleatoriamente ao grupo experimental, que usou nossa plataforma GAI personalizada baseada na web, ou ao grupo de controle, que utilizou um Sistema de Gerenciamento de Aprendizagem (LMS) convencional. A avaliação mediu quatro desfechos-chave: (1) ganho de aprendizado (avaliado por meio de pontuações pré-e pós-teste), (2) engajamento (medido pelo tempo na tarefa e frequência de interação), (3) satisfação do usuário (avaliada por meio de uma pesquisa na escala Likert de 7 pontos) e (4) usabilidade do sistema. Todos os dados empíricos foram analisados usando testes t pareados para determinar significância estatística, acompanhados de cálculos de tamanho do efeito para avaliar o impacto prático.

5. Finalizar e validar a implementação

Antes do estudo principal, realizamos uma validação abrangente do sistema. Isso envolvia verificar a integração completa e a operação estável das três camadas arquitetônicas (Técnica Básica, Centro de Processamento e Camada de Aplicação), confirmar a integridade dos dados em todo o pipeline, garantir a convergência do modelo no conjunto de validação e testar a resposta e confiabilidade da interface do usuário baseada na web. Após a conclusão bem-sucedida dessa fase de validação, a plataforma foi considerada pronta para implantação empírica formal e avaliação comparativa dentro do quadro de ensaios clínicos randomizados.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Resultados

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

O ensaio clínico randomizado revelou diferenças significativas entre o grupo da plataforma GAI (experimental) e o grupo tradicional LMS (controle). Para ganho de aprendizagem, o grupo experimental teve pontuação significativamente maior no pós-teste (M = 85,2, DS = 6,4) do que o grupo controle (M = 76,8, SD = 7,1); diferença média = 8,4, IC 95% [4,5, 12,3], t(68) = 4,32, p < 0,001, d de Cohen = 1,02. Para engajamento (tempo na tarefa), o grupo experimental gastou mais tempo (M = 42,5 min...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Discussão

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Este estudo teve como objetivo testar a hipótese central da pesquisa: que uma plataforma de aprendizagem personalizada habilitada por GAI pode reduzir significativamente a carga cognitiva dos aprendizes de engenharia, melhorar a eficiência da aprendizagem e aprimorar tanto os resultados de aprendizagem relacionados à ESD quanto a experiência geral de aprendizagem, em comparação com os modelos tradicionais de ensino de engenharia não personalizados. Nossos resultados randomizados de ECR f...

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Divulgações

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Conflitos de Interesse: Os autores não têm interesses financeiros ou não financeiros relevantes a divulgar.

Agradecimentos

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Sem financiamento.

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Materiais

Lista de materiais utilizados neste artigo
NomeEmpresaNúmero de catálogoComentários
A100 GPU (40 GB VRAM)NVIDIA Corporation900-4H100-0000-000Usado para hospedar modelos de IA principais dentro do pipeline de processamento baseado em servidor.
en_core_web_md (modelo spaCy)Explosion AIhttps://spacy.io/models/en#en_core_web_mdModelo geral acadêmico inglês pré-treinado usado para tokenização e lematização. Versão: v3.5.
PythonPython Software Foundationhttps://www.python.org/Linguagem de programação para o ambiente de software. Versão: 3.9.
SlimPajama datasetCerebras Systems Inc.https://www.cerebras.net/blog/cerebras-releases-slimpajama-a-cleaned-version-of-redpajama/Corpus de pré-treinamento grande e de código aberto derivado do RedPajama.
spaCyExplosion AIhttps://spacy.io/Biblioteca de Processamento de Linguagem Natural para pré-processamento de texto. Versão: 3.5.
TensorFlowGoogle LLChttps://www.tensorflow.org/Framework de aprendizado de máquina de código aberto. Versão: 2.12.

Referências

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wach, K., et al. The dark side of generative artificial intelligence: a critical analysis of controversies and risks of ChatGPT. Entrepreneurial Business and Economics Review. 11 (2), 7-30 (2023).
  2. Feuerriegel, S., Hartmann, J., Janiesch, C., Zschech, P., Bichler, M. Generative AI. Business & Information Systems Engineering. 66 (1), 111-126 (2024).
  3. Noy, S., Zhang, W. Experimental evidence on the productivity effects of generative artificial intelligence. Science. , (2023).
  4. Baidoo-Anu, D., Ansah, L. O. Education in the era of generative artificial intelligence (AI): understanding the potential benefits of ChatGPT in promoting teaching and learning. Journal of AI. 7 (1), 52-62 (2023).
  5. Holechek, S., Sreenivas, V. Generative AI in undergraduate academia: enhancing learning experiences and navigating ethical terrains. Journal of Biological Chemistry. 300 (3), 105921(2024).
  6. Sayyadi, M., Collina, L., Provitera, M. J. How to develop an artificial intelligence strategy. Industrial and Systems Engineering At Work. 55 (7), 38-41 (2023).
  7. Moulaei, K., Yadegari, A., Baharestani, M., Farzanbakhsh, S., Sabet, B., et al. Generative artificial intelligence in healthcare: a scoping review on benefits, challenges and applications. International Journal of Medical Informatics. , (2024).
  8. Zhao, H., Yilahun, H., Hamdulla, A. Pipeline chain-of-thought: a prompt method for large language model relation extraction. International Conference on Asian Language Processing (IALP), , (2023).
  9. Broadbent, J., Lodge, J. Use of live chat in higher education to support self-regulated help seeking behaviours: a comparison of online and blended learner perspectives. International Journal of Educational Technology in Higher Education. 18 (1), 1-20 (2021).
  10. Zhu, J. Evaluating ChatGPT for automated creation and grading of essay questions in higher education. Journal of Educational Technology & Society. 28 (4), 112-128 (2025).
  11. Liu, J. H., Wang, C. P., Xiao, X. C. Internet of Things (IoT) technology for the development of intelligent decision support education platform. Scientific Programming. , (2021).
  12. Smith, A., Johnson, B., Williams, C. Generative AI technologies in higher education: a comprehensive review. IEEE Transactions on Education. , (2023).
  13. Imran, M., Almusharraf, N. Next-generation generative AI as an educational tool: a review of emerging educational technology. Smart Learning Environments. , (2024).
  14. Cabrera, C., Neville, R. Widely used but barely trusted: understanding student perceptions on the use of generative AI in higher education. Perspectives: Policy and Practice in Higher Education. , (2025).
  15. Mishra, P., et al. Teacher education in the age of generative artificial intelligence: introducing the special issue. Journal of Teacher Education. 76 (3), 225-229 (2025).
  16. Mishra, P., Oster, N., Henriksen, D. Generative AI, teacher knowledge and educational research: bridging short- and long-term perspectives. TechTrends: Linking Research & Practice to Improve Learning. , (2024).
  17. Bahroun, Z., Anane, C., Ahmed, V., Zacca, A. Transforming education: a comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability. , (2023).
  18. Ayeni, O. O., Al Hamad, N. M., Chisom, O. N., Osawaru, B., Adewusi, O. E. AI in education: a review of personalized learning and educational technology. GSC Advanced Research and Reviews. 18 (2), 261-271 (2024).
  19. Hwang, G. J., Chen, N. S. Editorial position paper: exploring the potential of generative artificial intelligence in education: applications, challenges, and future research directions. Educational Technology & Society. , (2023).
  20. Liu, M., Ren, Y., Nyagoga, L. M., Stonier, F., Wu, Z., et al. Future of education in the era of generative artificial intelligence: consensus among Chinese scholars on applications of ChatGPT in schools. Future in Educational Research. 1 (1), 72-101 (2023).
  21. Acun, C., Acun, R. GAI-enhanced assignment framework: a case study on generative AI powered history education. NeurIPS'23 Workshop on Generative AI for Education (GAIED): Advances, Opportunities, and Challenges, , (2023).
  22. Cooper, G. Examining science education in ChatGPT: an exploratory study of generative artificial intelligence. Journal of Science Education and Technology. , (2023).
  23. Pavlik, J. V. Collaborating with ChatGPT: considering the implications of generative artificial intelligence for journalism and media education. Journalism & Mass Communication Educator. 78 (1), 84-93 (2023).
  24. Vasarhelyi, M. A., Moffitt, K. C., Stewart, T., Sunderland, D. Large language models: an emerging technology in accounting. Journal of Emerging Technologies in Accounting. 20 (2), 1-10 (2023).
  25. Farrokhnia, M., Banihashem, S. K., Noroozi, O., Wals, A. A SWOT analysis of ChatGPT: implications for educational practice and research. Innovations in Education and Teaching International. 61 (3), 460-474 (2024).
  26. Phutela, N., Grover, P., Singh, P., Mittal, N. Future prospects of ChatGPT in higher education. 2024 11th International Conference on Reliability, Infocom Technologies and Optimization (ICRITO), , (2024).
  27. Qadir, J. Engineering education in the era of ChatGPT: promise and pitfalls of generative AI for education. 2023 IEEE Global Engineering Education Conference (EDUCON), , (2023).
  28. Villarroel, V., Bloxham, S., Bruna, D., Bruna, C., Herrera-Seda, C. Authentic assessment: creating a blueprint for course design. Assessment & Evaluation in Higher Education. 43 (5), 840-854 (2018).
  29. Chen, Y., Jensen, S., Albert, L. J., Gupta, S., Lee, T. Artificial intelligence (AI) student assistants in the classroom: designing chatbots to support student success. Information Systems Frontiers. 25 (1), 161-182 (2023).
  30. Kumar, A. Analysis of ChatGPT tool to assess the potential of its utility for academic writing in biomedical domain. Biology, Engineering, Medicine and Science Reports. 9 (1), 24-30 (2023).
  31. Lakshmi, K. A study on mathematical and statistical aspects of linear models. Turkish Journal of Computer and Mathematics Education (TURCOMAT). 12 (4), 1328-1338 (2021).
  32. Soboleva, D., Al-Khateeb, F., Myers, R., Steeves, J. R., Hestness, J., et al. RedPajama: A 627B token cleaned and deduplicated version of SlimPajama. Cerebras Systems Technical Blog. , Available from: https://www.cerebras.net/blog/slimpajama-a-627b-token-cleaned-and-deduplicated-version-of-redpajama (2023).

Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.

Reimpressões e permissões

Solicitar permissão para reutilizar o texto ou as figuras deste artigo JoVE

Solicitar permissão

Etiquetas

EngenhariaEdi o 233Edi o 233Este M s no JoVEEdi oGAIM dulo Extens velAprendizagem inteligente

Artigos relacionados