Lecturers’ Use and Perceptions of Machine Learning Informed Educational Interventions for the Early Identification of Learning Difficulties among Students with Intellectual Disabilities in Nigerian Universities

Resumo Técnico: Uso e Percepções de Docentes sobre Intervenções Educacionais Informadas por Aprendizado de Máquina para a Identificação Precoce de Dificuldades de Aprendizagem entre Estudantes com Deficiências Intelectuais em Universidades Nigerianas

Problema de Pesquisa
Apesar da ratificação pela Nigéria de marcos internacionais (ODS 4 e 10 da ONU) e de políticas nacionais que promovem a educação inclusiva, a implementação de práticas inclusivas no ensino superior permanece fragmentada. Especificamente, a identificação precoce de dificuldades de aprendizagem entre estudantes com deficiências intelectuais depende fortemente de práticas de avaliação manuais, episódicas e subjetivas. Esses métodos convencionais resultam frequentemente em intervenções tardias, marginalização dos estudantes afetados e resultados educacionais insatisfatórios. Embora a Inteligência Artificial (IA) e o Aprendizado de Máquina (ML) ofereçam um potencial transformador para a triagem precoce baseada em dados, sua aplicação nas universidades nigerianas permanece amplamente conceitual. Existe uma lacuna crítica na compreensão de como os docentes percebem e utilizam abordagens informadas por ML como ferramentas de suporte à decisão para preencher o hiato entre os quadros diagnósticos tradicionais (DSM-5, ICD-11, AAIDD) e as análises preditivas emergentes. Além disso, a literatura existente carece de evidências empíricas sobre a prontidão dos docentes para adotar essas ferramentas para a identificação precoce e o aumento do engajamento.

Metodologia

• Design de Pesquisa: O estudo empregou um design de pesquisa de levantamento descritivo. Crucialmente, os autores esclarecem que o ML foi utilizado estritamente como um arcabouço conceitual e interpretativo, não como uma metodologia computacional empírica. Nenhum algoritmo de ML foi desenvolvido, treinado ou testado; nenhum conjunto de dados foi particionado e nenhuma métrica de desempenho (ex: acurácia, F1-score) foi calculada.
• Participantes: A população consistiu em 600 docentes das Faculdades de Educação e Departamentos de Necessidades Especiais de 12 universidades federais e estaduais selecionadas na zona geopolítica Sul-Sul da Nigéria. Os participantes foram selecionados via amostragem acidental (por conveniência), exigindo experiência com estudantes com deficiências intelectuais e familiaridade com tecnologia educacional.
• Instrumentação: Os dados foram coletados utilizando o Questionário de Intervenções Educacionais Baseadas em Aprendizado de Máquina para Identificação Precoce de Dificuldades de Aprendizagem (MLEIDQ). O instrumento incluiu 20 itens em uma escala Likert de 4 pontos medindo: (i) a extensão do uso de ferramentas de ML para identificação precoce, e (ii) as percepções sobre o impacto das intervenções de ML na detecção precoce e no engajamento acadêmico.
• Análise de Dados: Estatísticas descritivas (média, desvio padrão) e estatísticas inferenciais (testes t para amostras independentes, regressão linear múltipla) foram analisadas utilizando o SPSS versão 26. O estudo testou três hipóteses nulas relativas a diferenças de gênero, diferenças de tipo institucional e o poder preditivo do uso de ML no engajamento acadêmico.

Principais Resultados

1. Extensão de Uso: Os docentes relataram um baixo nível de uso (Média do Cluster = 2,37, categorizada como "Baixa Extensão") em relação às ferramentas digitais informadas por ML. Áreas específicas de baixa adoção incluíram a aplicação de ML às necessidades individuais de aprendizagem (Média = 1,29), integração curricular (Média = 1,58) e uso de intervenção rotineira (Média = 1,83). No entanto, os docentes relataram maior engajamento com o suporte institucional para ML (Média = 3,29) e o acompanhamento do progresso do estudante (Média = 3,16).
2. Percepções de Eficácia: Apesar do baixo uso real, os docentes mantêm percepções positivas sobre as intervenções de ML (Média do Cluster = 3,02, categorizada como "Grande Extensão"). Eles percebem o ML como eficaz na melhoria da atenção, motivação, comunicação e conclusão de tarefas dos estudantes. Aproximadamente 70% dos indicadores de percepção excederam a média de referência de 3,0.
3. Análise Preditiva:
   • Hipótese 1 (Gênero): Não foi encontrada diferença significativa no uso de ferramentas de ML baseada no gênero ($p > 0,05$). O gênero não foi um preditor significativo no modelo de regressão ($\beta = -0,04, p = 0,398$).
   • Hipótese 2 (Tipo Institucional): Não foi encontrada diferença significativa nas percepções de suporte de ML de acordo com o tipo de universidade (Federal vs. Estadual) ($p > 0,05$). O tipo institucional não foi um preditor significativo do engajamento acadêmico ($\beta = 0,03, p = 0,450$).
   • Hipótese 3 (Predição de Engajamento): A hipótese nula foi rejeitada. O uso de intervenções informadas por ML pelos docentes foi o preditor mais forte e o único significativo do engajamento acadêmico entre estudantes com deficiências intelectuais ($\beta = 0,60, p < ,001$). O modelo de regressão explicou 38% da variância no engajamento ($R^2 = 0,38$).

Principais Contribuições

• Clarificação Conceitual: O estudo fornece um arcabouço conceitual estruturado ilustrando como o ML pode funcionar como um mecanismo de suporte à decisão sem substituir o diagnóstico clínico formal (DSM-5/ICD-11). Ele delineia o caminho desde os indicadores preditivos até o encaminhamento profissional e o plano de educação individualizado (PEI).
• Evidência Empírica do "Hiato Percepção-Uso": A pesquisa destaca um descompasso significativo no ensino superior nigeriano: embora os docentes reconheçam o valor potencial do ML para a educação inclusiva, a implementação prática é dificultada pela formação limitada, infraestrutura e competência técnica.
• Determinantes do Engajamento: O estudo estabelece que a prática do uso de ferramentas de ML é um determinante mais crítico do engajamento acadêmico dos estudantes do que fatores demográficos (gênero, cargo) ou estruturas institucionais (Federal vs. Estadual).

Significância e Alegações
O artigo afirma que seus achados contribuem para a produção acadêmica emergente sobre educação inclusiva habilitada por IA, fornecendo insights baseados em evidências sobre a prontidão dos docentes em um contexto em desenvolvimento. Argumenta-se que a adoção do ML não é meramente um desafio tecnológico, mas um imperativo de capacitação. O estudo conclui que, para que o ML apoie efetivamente a identificação precoce de dificuldades de aprendizagem e aumente o engajamento acadêmico, deve haver um foco estratégico em:

1. Fortalecer a capacidade docente por meio de alfabetização em IA e treinamento em análise de dados.
2. Melhorar a infraestrutura digital e os sistemas de suporte institucional.
3. Desenvolver estruturas de governança ética que integrem a triagem por ML com caminhos estabelecidos de diagnóstico e intervenção.

Os autores mantêm uma postura modesta, reconhecendo que seus achados são baseados em dados autorrelatados e amostragem por conveniência, o que limita a generalização. Eles enfatizam que o ML serve como uma ferramenta suplementar para triagem e encaminhamento, não como um substituto para o julgamento clínico profissional, e convocam pesquisas futuras envolvendo amostragem probabilística e avaliações empíricas longitudinais de sistemas reais de ML.