Artificial intelligence as a real game to enlighten science education for disabled students in rural New Mexico

Resumo Técnico: Inteligência Artificial como um Jogo Real para Iluminar o Ensino de Ciências para Alunos com Deficiência em Zonas Rurais de Novo México

Declaração do Problema
As escolas rurais de Novo México enfrentam barreiras sistêmicas na entrega de uma educação científica equitativa para alunos com deficiência. Esses desafios incluem a escassez de professores de ciências especializados, recursos laboratoriais limitados e déficits de infraestrutura, particularmente no que diz respeito ao acesso à internet de banda larga. Consequentemente, alunos com deficiência nessas regiões geograficamente isoladas carecem do suporte personalizado necessário para uma inclusão verdadeira nas salas de aula de ciências convencionais. Embora a Inteligência Artificial (IA) ofereça soluções potenciais por meio da aprendizagem adaptativa e tecnologias assistivas, sua integração prática em ambientes rurais com restrições de recursos permanece subexplorada, particularmente quanto à sua eficácia como um mecanismo de "jogo real" para o aprendizado de ciências.

Metodologia
O estudo empregou um design de métodos mistos combinando uma intervenção experimental de pré/pós-teste com análise preditiva.

• Participantes: A amostra consistiu em $N = 120$ alunos (6º ao 10º ano) com deficiências documentadas (variando de deficiências de aprendizagem como dislexia e TDAH a deficiências físicas, auditivas e visuais) e 15 instrutores de ciências de quatro escolas rurais de Novo México.
• Intervenção: Durante um período de 8 semanas, uma plataforma de aprendizagem impulsionada por IA foi integrada ao currículo de ciências. A plataforma apresentou conteúdo gamificado, simulações de laboratório virtuais, sistemas de tutoria inteligente para resolução de problemas e auxílios de interface de voz para suporte de leitura/escrita.
• Coleta de Dados: Os dados quantitativos incluíram pontuações de pré e pós-teste para retenção de conceitos e desempenho laboratorial, juntamente com classificações de engajamento (medidas via protocolos observacionais e questionários de escala Likert). Os dados qualitativos foram coletados por meio de observações de sala de aula e entrevistas com professores.
• Modelos Analíticos:
  1. Regressão Linear Múltipla: Um modelo foi construído para prever ganhos de aprendizagem ($Y$) baseando-se em três preditores: tempo de interação com a IA ($X_1$), taxa de engajamento ($X_2$) e pontuações do pré-teste ($X_3$). O modelo foi validado usando Mínimos Quadrados Ordinários (OLS), com verificações diagnósticas de linearidade, normalidade e multicolinearidade.
  2. Rede Neural Artificial (RNA): Uma rede feed-forward com uma topologia 3–5–1 (3 neurônios de entrada, 5 neurônios ocultos com ativação sigmoide, 1 neurônio de saída com ativação linear) foi treinada via retropropagação para prever os ganhos de aprendizagem. O conjunto de dados foi dividido em um conjunto de treinamento (70%) e um conjunto de validação (30%).

Principais Contribuições

• Evidência Empírica em Contextos Rurais: O estudo fornece evidência quantitativa de que a pedagogia baseada em jogos e impulsionada por IA pode melhorar significamente os resultados de aprendizagem de ciências para alunos com deficiência em ambientes rurais subatendidos.
• Modelagem Preditiva: Demonstra a alta precisão preditiva de modelos de regressão linear e de RNA não lineares na medição de ganhos de aprendizagem derivados do uso de ferramentas de IA, com a RNA capturando interações não lineares entre engajamento e conhecimento prévio.
• Estrutura Conceitual: O artigo integra a Teoria da Aprendizagem Construtivista, o Desenho Universal para a Aprendizagem (DUA) e a Teoria Cognitiva Social para enquadrar a IA não meramente como uma ferramenta, mas como um "Jogo Real" que media a entrega de conteúdo e modera a acessibilidade para aumentar o engajamento e o desenvolvimento cognitivo.

Resultados

• Melhorias de Desempenho: A análise pós-intervenção revelou ganhos estatisticamente significativos em todas as dimensões medidas:
  • Retenção de Conceitos: Aumentou em 32% (a pontuação média subiu de 54,3% para 71,8%).
  • Desempenho Laboratorial: Melhorou em 27% (a pontuação média subiu de 49,6 para 63,0).
  • Engajamento do Aluno: Mostrou um aumento relativo de 42% (a classificação média subiu de 3,1 para 4,4 em uma escala de 5 pontos).
• Análise de Regressão: O modelo de regressão linear múltipla alcançou um $R^2$ de 0,92 ($p < 0,001$), indicando que 92% da variância nos ganhos de aprendizagem foi explicada pelo tempo de interação com a IA, taxa de engajamento e pontuações do pré-teste. Tanto o tempo de interação quanto o engajamento foram preditores positivos significativos.
• Desempenho da RNA: O modelo de RNA alcançou uma correlação de Pearson de $r = 0,95$ no conjunto de validação ($R^2 \approx 0,90$). Crucialmente, a RNA revelou uma interação não linear onde alunos com baixas pontuações no pré-teste, mas alto engajamento, produziram ganhos desproporcionalmente grandes, sugerindo um efeito amplificador para os aprendizes mais desfavorecidos.
• Achados Qualitativos: Os professores relataram aumento na confiança dos alunos, particularmente entre aqueles com deficiências de mobilidade que puderam navegar em laboratórios virtuais sem barreiras físicas. A natureza universal do suporte de IA reduziu o estigma associado ao auxílio especializado, promovendo uma cultura de sala de aula mais inclusiva.

Significância e Alegações
O artigo conclui que a pedagogia impulsionada por IA atua como um "equalizador transformador" na educação científica rural. O alto poder explicativo dos modelos estatísticos confirma que a exposição às ferramentas de IA é um preditor robusto de melhoria do aluno. O estudo alega que a IA é uma realidade viável para alcançar uma educação científica equitativa em ambientes subatendidos, desde que a infraestrutura (internet/dispositivos) e o desenvolvimento profissional docente sejam abordados.

Os autores enfatizam que os benefícios não são uniformes; os dados sugerem que as intervenções de IA produzem efeitos amplificados para aprendizes com maiores necessidades iniciais, alinhando-se aos objetivos da educação inclusiva. No entanto, o artigo mantém uma postura modesta, reconhecendo limitações como a curta duração da intervenção (8 semanas), a concentração geográfica e demográfica específica da amostra e a necessidade de mais pesquisas sobre a retenção a longo prazo e as implicações éticas da dependência da IA. O estudo postula que, para a IA ser sustentável, ela deve estar inserida dentro dos sistemas de suporte multinível existentes (como o MLSS de Novo México) e ser apoiada por treinamento contínuo de professores.