Resumo

Este artigo analisa a conjuntura crítica da Educação a Distância (EAD) no ensino superior brasileiro, marcada por duas forças disruptivas simultâneas: uma profunda reforma regulatória, materializada no Decreto nº 12.456/2025, e a ascensão da Inteligência Artificial (IA). O cenário é caracterizado por um crescimento exponencial da EAD, acompanhado por taxas de evasão persistentemente altas e um debate contínuo sobre a qualidade do ensino. A nova regulamentação, embora vise estabelecer padrões mínimos de qualidade através de mandatos estruturais, como a exigência de carga horária presencial, corre o risco de exacerbar o problema da evasão ao reduzir a flexibilidade, principal atrativo da modalidade para seu público-alvo. Este estudo argumenta que uma solução sustentável para os desafios da EAD brasileira não reside apenas na regulação de topo para baixo, mas em um modelo híbrido que integra essas salvaguardas regulatórias com sistemas de IA eticamente fundamentados. Utilizando uma metodologia mista que combina análise de políticas e uma revisão sistemática da literatura sobre IA na educação, o artigo demonstra como as tecnologias de Deep Learning podem oferecer soluções granulares e personalizadas. Propõe-se um modelo conceitual que utiliza análises preditivas para identificar alunos em risco de evasão e ecossistemas de aprendizagem adaptativos para personalizar as trajetórias educacionais, abordando diretamente as causas da evasão de uma forma que a regulamentação por si só não consegue. A análise conclui que a sinergia entre a política educacional e a inovação tecnológica, guiada por imperativos éticos de equidade, privacidade e transparência, é essencial para construir um futuro para a EAD brasileira que seja, ao mesmo tempo, acessível, de alta qualidade e genuinamente centrado no aluno.

Palavras-chave: Educação a Distância, Deep Learning, Evasão de Alunos, Política Educacional, Aprendizagem Adaptativa, Brasil, IA na Educação.

1. Introdução

O panorama do ensino superior brasileiro encontra-se em um ponto de inflexão, moldado por duas transformações simultâneas e de grande magnitude. A primeira é uma reestruturação regulatória radical, iniciada pelo Ministério da Educação (MEC) entre 2024 e 2025, que altera fundamentalmente o modelo operacional da Educação a Distância (EAD) no país¹⁻³. Esta reforma surge como uma resposta governamental a anos de expansão desenfreada da modalidade, buscando impor um padrão de qualidade mais rigoroso. A segunda transformação é a integração global e acelerada de sistemas avançados de Inteligência Artificial (IA), especialmente Deep Learning (DL) e IA Generativa, nos paradigmas educacionais⁴¹˒⁶¹˒⁶². Este momento representa uma conjuntura crítica onde a política pública e a inovação tecnológica estão em uma rota de colisão potencial ou, alternativamente, em um caminho promissor em direção à sinergia.

O problema de pesquisa que norteia este artigo emerge da lacuna significativa entre a natureza multifacetada dos desafios da EAD brasileira — notadamente as altas taxas de evasão estudantil, a qualidade heterogênea e a necessidade de personalização em escala — e a natureza das principais soluções que estão sendo implementadas pelo poder público. O estudo questiona se os mandatos regulatórios de topo para baixo (top-down), como a imposição de carga horária presencial obrigatória, são suficientes, ou mesmo otimamente desenhados, para endereçar os complexos e individualizados fatores que determinam o sucesso e o fracasso dos estudantes²⁰˒²⁵˒²⁹. A expansão da EAD, embora tenha democratizado o acesso, trouxe consigo o ônus de taxas de abandono que, em alguns segmentos, superam as da modalidade presencial, levantando sérias questões sobre a eficácia e a sustentabilidade do modelo vigente.

Este artigo defende a tese de que, embora o novo marco regulatório de 2025 (Decreto nº 12.456/2025) forneça um instrumento necessário, ainda que contundente, para estabelecer padrões de qualidade basais, sua eficácia em combater o problema sistêmico da evasão e garantir uma qualidade de aprendizagem genuína é inerentemente limitada. O verdadeiro progresso exige uma mudança de paradigma em direção a um modelo híbrido que integre essas salvaguardas regulatórias com sistemas de IA eticamente fundamentados. Tais sistemas, abrangendo análises preditivas e aprendizagem adaptativa, são singularmente capazes de abordar os fatores sutis e de nível individual que determinam os resultados dos alunos, cumprindo assim os objetivos finais da política de forma mais eficaz e equitativa. A proposta não é substituir a regulação pela tecnologia, mas argumentar que a tecnologia, quando devidamente governada, é a ferramenta mais adequada para realizar a intenção da regulação.

Para desenvolver este argumento, o artigo está estruturado da seguinte forma: a Seção 2 estabelece o contexto empírico e regulatório, analisando a trajetória da EAD no Brasil e detalhando o novo arcabouço legal. A Seção 3 realiza uma revisão sistemática da literatura sobre as capacidades da IA na educação, focando em análises preditivas e sistemas adaptativos. A Seção 4 descreve a metodologia de pesquisa mista adotada. A Seção 5, o núcleo analítico do trabalho, constrói uma ponte entre a política e a tecnologia, propondo um modelo conceitual para um sistema de suporte integrado. A Seção 6 aborda os imperativos éticos e apresenta recomendações de políticas públicas para o contexto brasileiro. Finalmente, a Seção 7 oferece as conclusões, sintetizando os principais argumentos e reforçando a necessidade de uma abordagem sinérgica para o futuro da EAD no Brasil.

2. O Cenário Mutável do Ensino Superior Brasileiro: Regulação e Realidade

Esta seção estabelece a base empírica e regulatória do estudo, detalhando o estado da EAD no Brasil antes das reformas e fornecendo uma análise granular do novo quadro jurídico.

2.1 A Trajetória da Educação a Distância (EAD): Da Expansão Desenfreada à Intervenção Crítica

A história recente da EAD no Brasil é uma narrativa de crescimento exponencial. Dados do Censo da Educação Superior revelam uma ascensão meteórica na última década, com o número de matrículas na modalidade a distância quase ultrapassando o de cursos presenciais¹⁹˒²¹˒²². Em 2022, os cursos a distância já contavam com mais de 4,3 milhões de alunos, e a tendência indicava que superariam os presenciais nos anos seguintes¹⁹. Em 2023, a EAD já representava 49,25% do total de matrículas no ensino superior²². Essa expansão desempenhou um papel crucial na democratização do acesso, especialmente para um público de adultos trabalhadores e residentes de áreas remotas, que encontram na flexibilidade e nos custos reduzidos da EAD uma oportunidade única de formação superior²²˒³².

Contudo, essa expansão foi acompanhada por um desafio persistente e alarmante: a evasão estudantil. Relatórios de entidades como o Instituto Semesp e o Instituto de Pesquisa Econômica Aplicada (IPEA) pintam um quadro sombrio, com taxas de abandono extremamente altas, que chegam a 57,2% no ensino superior como um todo²⁵. O problema é particularmente agudo na modalidade EAD, onde a taxa de desistência atinge 64%, em comparação com 52,6% nos cursos presenciais²⁵˒²⁸. A evasão é ainda mais acentuada na rede privada, que concentra a vasta maioria das instituições e matrículas, com um índice de quase 61%²⁵. Estudos acadêmicos aprofundam essa análise, correlacionando a evasão a fatores socioeconômicos, como baixa renda e responsabilidades familiares, e a características institucionais, evidenciando a vulnerabilidade do público majoritário da EAD²⁰˒²⁶˒B4.

Tabela 1: Taxas Comparativas de Evasão no Ensino Superior Brasileiro

Categoria	Taxa de Evasão (%)	Fonte(s)
Geral (Total)	57.2	4
Por Setor
Rede Privada	60.9	4
Rede Pública	< 40.0	4
Por Modalidade
Educação a Distância (EAD)	64.0	4
Ensino Presencial	52.6	4
EAD (Outras Fontes)	59.0	5

Nota: Os dados refletem as taxas de abandono compiladas em relatórios de 2024, analisando coortes de estudantes ao longo de vários anos.

A visualização da trajetória das matrículas (Figura 1) ilustra vividamente a crescente dominância da EAD, tornando a questão de sua qualidade e sustentabilidade um problema de importância sistêmica para a educação brasileira.

Figura 1: Evolução das Matrículas de Ingressantes em Cursos de Graduação por Modalidade no Brasil (2014-2023)

(Gráfico de linhas mostrando duas séries: “Ingressantes em EAD” e “Ingressantes em Presencial”. A linha de EAD mostra um crescimento acentuado e consistente, passando de uma minoria para a maioria dos ingressantes (66,4% em 2023). A linha Presencial mostra estagnação ou declínio, representando 33,6% dos ingressantes em 2023. Fonte: Dados compilados do Censo da Educação Superior, citados em ⁶)

Esse cenário de expansão massiva e evasão elevada alimentou um debate intenso e polarizado sobre a qualidade da EAD. De um lado, críticos descrevem o modelo predominante como uma “grande farsa nacional”³⁴, uma forma de mercantilização da educação que, guiada por uma lógica de mercado, prioriza a escala em detrimento da profundidade pedagógica, resultando em cursos de baixa qualidade e um diploma sem valor formativo real. Por outro lado, defensores e pesquisadores acadêmicos argumentam que a EAD, quando bem concebida, pode constituir um potente ecossistema de aprendizagem, promovendo o desenvolvimento humano, a autonomia do estudante e uma flexibilidade indispensável para a sociedade contemporânea²⁹˒³²˒B1˒B5. É nesse contexto de tensão que a intervenção regulatória do governo se materializa.

2.2 A Reforma Regulatória de 2025: Uma Análise Granular do Decreto nº 12.456/2025

Em 19 de maio de 2025, o governo federal, através do Decreto nº 12.456, instituiu a Nova Política de Educação a Distância, promovendo uma das mais significativas revisões no marco regulatório do setor¹˒³. A iniciativa, complementada por portarias subsequentes do MEC, como a Portaria nº 506/2025 e a Portaria nº 381/2025, foi justificada como uma medida para “garantir mais qualidade na oferta de EAD” e “valorizar a interação e a mediação para uma formação rica e integral”¹˒⁹. A seguir, uma análise sistemática das principais mudanças.

Os mandatos centrais do novo arcabouço são:

• Fim dos Cursos 100% EAD: A mudança mais impactante é a proibição de que qualquer curso de graduação seja ofertado de maneira totalmente a distância. Todos os formatos agora exigem um componente presencial ou síncrono mínimo²˒⁶.
• Definição de Novos Formatos de Curso: O decreto estabelece com clareza três modalidades de oferta, cada uma com percentuais de carga horária bem definidos²˒⁶˒B12:
  • Presencial: Mínimo de 70% da carga horária em atividades presenciais físicas.
  • Semipresencial: Um novo modelo híbrido, com obrigatoriamente 30% da carga horária em atividades presenciais e, no mínimo, 20% em atividades síncronas mediadas.
  • EAD: Oferta majoritariamente a distância, mas com um mínimo obrigatório de 10% da carga horária em atividades presenciais e outros 10% em atividades síncronas mediadas.
• Proibição e Restrição de Cursos: O decreto veda explicitamente a oferta na modalidade EAD para os cursos de Medicina, Direito, Odontologia, Enfermagem e Psicologia²˒³˒⁵. Para estes, com exceção de Medicina (que deve ser 100% presencial), permite-se até 30% da carga horária em atividades a distância. Cursos de licenciatura e de áreas da saúde em geral também foram restringidos, podendo ser ofertados apenas nos formatos presencial ou semipresencial²˒⁵.
• Requisitos de Corpo Docente e Infraestrutura: A nova política estabelece exigências mais rigorosas para o corpo docente, que deve possuir formação em nível de pós-graduação, e define papéis específicos como o de professor conteudista e professor regente⁸˒⁹. Também reforça a necessidade de infraestrutura adequada nos polos de EAD, com foco na qualidade do suporte ao estudante¹˒¹⁰.
• Moratória Regulatória: Como medida preparatória, o MEC já havia instituído, através da Portaria nº 528/2024, uma suspensão temporária da criação de novos cursos, vagas e polos de EAD, vigente até março de 2025, para permitir a revisão dos instrumentos de avaliação e a finalização do novo marco regulatório⁴˒⁷˒¹¹˒¹⁸.

Tabela 2: Resumo das Principais Mudanças no Marco Regulatório da EAD (Decreto nº 12.456/2025)

Característica	Regulamentação Anterior (Pré-2025)	Nova Regulamentação (Pós-2025)	Fonte(s)
Cursos 100% EAD	Permitidos, com avaliações e estágios presenciais.	Proibidos. Nenhum curso de graduação pode ser 100% a distância.	10
Modalidade EAD	Predominância de atividades a distância.	Mínimo de 10% presencial + 10% síncrono.	11
Modalidade Semipresencial	Não definida formalmente; sobrepunha-se à EAD.	Criada formalmente: 30% presencial + mínimo de 20% síncrono.	10
Modalidade Presencial	Permitido até 40% da carga horária a distância (Portaria nº 2.117/2019).	Mínimo de 70% da carga horária presencial (até 30% a distância).	10
Cursos de Direito, Psicologia, Odontologia, Enfermagem	Debatidos, mas sem proibição formal de EAD.	Proibida a oferta na modalidade EAD. Apenas presencial.	10
Curso de Medicina	Proibida a oferta na modalidade EAD.	Mantida a proibição. Oferta 100% presencial.	11
Qualificação Docente	Requisitos gerais de formação.	Exigência de pós-graduação para docentes e mediadores.	14

2.3 Um Terreno Contestado: Críticas e Implicações do Novo Marco

A nova regulamentação não foi recebida sem controvérsias. Análises jurídicas e manifestações de associações setoriais e conselhos profissionais apontam para uma série de críticas e potenciais consequências não intencionais. Argumenta-se que as medidas, especialmente a moratória, são excessivamente restritivas, com potencial para gerar uma concentração de mercado e prejudicar a livre concorrência, além de aplicarem um tratamento desigual entre instituições de ensino superior (IES) privadas e públicas⁷.

Conselhos profissionais, como a Ordem dos Advogados do Brasil (OAB) e o Conselho Federal de Psicologia (CFP), embora apoiem a restrição da EAD em suas áreas, baseiam seus argumentos na premissa de que a formação de competências profissionais complexas e relacionais exige a presencialidade, algo que a modalidade a distância, em sua visão, não pode prover adequadamente¹⁴²˒¹⁴³˒¹⁶⁷. Essa posição reforça a dicotomia entre acesso e qualidade, sugerindo que a expansão do acesso via EAD se deu em detrimento da qualidade formativa.

Este debate revela uma tensão fundamental: o dilema entre a democratização do acesso, um dos maiores trunfos da EAD, e a garantia de uma formação de qualidade³². Ao tornar a EAD mais rígida, com exigências de presencialidade que aumentam os custos logísticos e financeiros para os estudantes, a nova regulamentação pode, paradoxalmente, minar o principal fator que permite a inclusão de um vasto contingente de brasileiros no ensino superior.

Essa observação conduz a uma análise mais profunda do impacto da nova política. O objetivo declarado do MEC é elevar a qualidade da EAD, garantindo uma experiência formativa “rica e integral”¹˒³. O principal mecanismo para atingir esse fim é a imposição de atividades presenciais e síncronas obrigatórias, extinguindo o modelo 100% assíncrono que oferecia máxima flexibilidade²˒⁶˒B12. No entanto, o perfil demográfico do estudante de EAD é, em grande parte, composto por indivíduos mais velhos, trabalhadores e com responsabilidades familiares, que escolhem a modalidade justamente por sua flexibilidade e custo mais baixo²⁰˒²²˒³². A imposição de encontros presenciais obrigatórios aumenta diretamente os encargos logísticos e financeiros para esse público (custos de transporte, necessidade de ausência do trabalho, etc.), erodindo as vantagens que tornam a EAD viável para eles. Dado que as altas taxas de evasão já estão fortemente correlacionadas com dificuldades financeiras e o desafio de conciliar estudos, trabalho e família²⁰˒²⁵˒²⁶, a regulamentação cria um paradoxo: ao tentar resolver o problema da “qualidade” com uma solução estrutural e uniforme, arrisca-se a agravar o problema da “evasão” para os próprios estudantes que pretende beneficiar. A política ataca um sintoma (a percepção de baixa qualidade) com uma ferramenta que compromete o principal fator (a flexibilidade) que mantém muitos desses alunos no sistema.

3. Um Paradigma Orientado por Dados: A Inteligência Artificial na Educação (AIED)

Enquanto o debate regulatório se concentra em variáveis estruturais, um campo tecnológico paralelo oferece uma abordagem radicalmente diferente, focada em processos e dados. Esta seção revisa sistematicamente as capacidades da Inteligência Artificial na Educação (AIED), com foco em seu potencial para enfrentar os desafios centrais da EAD brasileira.

3.1 Fundamentos Teóricos: da Análise de Aprendizagem ao Deep Learning

A aplicação da computação na educação evoluiu significativamente. As fases iniciais, conhecidas como Mineração de Dados Educacionais (Educational Data Mining, EDM) e Análise de Aprendizagem (Learning Analytics, LA), focavam no uso de dados de sistemas de gestão de aprendizagem (Learning Management Systems, LMS) para descobrir padrões e informar intervenções pedagógicas⁸²˒¹⁴⁹˒¹⁸¹. Contudo, o estado da arte atual é dominado pelo Aprendizado de Máquina (Machine Learning, ML) e, mais especificamente, pelo Deep Learning (DL)⁴¹˒⁴³.

O Deep Learning, um subcampo do ML, utiliza redes neurais artificiais com múltiplas camadas (daí o termo “profundo”) para aprender representações de dados com múltiplos níveis de abstração⁴¹. Diferentemente dos métodos tradicionais de ML, que exigem uma engenharia de características manual, os modelos de DL podem descobrir automaticamente estruturas complexas em grandes volumes de dados. Arquiteturas como Redes Neurais Artificiais (ANNs), Redes Neurais Convolucionais (CNNs) e, especialmente, Redes Neurais Recorrentes com Memória de Longo e Curto Prazo (Long Short-Term Memory, LSTM), são particularmente adequadas para lidar com os dados complexos, de alta dimensão e sequenciais gerados em ambientes educacionais, como o histórico de interações de um aluno ao longo de um curso⁴¹˒⁸⁶. Os três paradigmas de aprendizado — supervisionado, não supervisionado e por reforço — oferecem um leque de ferramentas para diferentes tarefas educacionais, desde a classificação de alunos até a recomendação de conteúdo personalizado⁵¹.

3.2 Análise Preditiva para o Sucesso do Aluno: Combatendo Proativamente a Evasão

Uma das aplicações mais robustas e pesquisadas da IA na educação é a predição da evasão estudantil. A literatura acadêmica demonstra consistentemente a capacidade de modelos de ML e DL de identificar, com alta precisão, os alunos em risco de abandonar seus cursos, permitindo intervenções proativas e direcionadas.

Os modelos preditivos são treinados com base em um vasto conjunto de variáveis (features), que podem ser agrupadas nas seguintes categorias:

• Dados Demográficos e Socioeconômicos: Idade, gênero, escolaridade dos pais, renda familiar, entre outros, que fornecem um contexto inicial sobre o perfil de vulnerabilidade do aluno²⁰˒⁸⁴˒⁸⁶.
• Histórico Acadêmico: Notas de cursos anteriores, resultados em exames padronizados e o número de semestres cursados são fortes preditores de desempenho futuro⁸⁴˒⁸⁹.
• Dados Comportamentais e de Engajamento (extraídos do LMS): Esta é a categoria de dados mais rica e dinâmica. Inclui a frequência de login, o tempo gasto na plataforma, a visualização de vídeos e materiais, a participação em fóruns de discussão, a pontualidade e o padrão de submissão de tarefas (por exemplo, se são feitas de forma iterativa ou de última hora) e as notas em avaliações parciais³⁷˒⁸⁵˒⁸⁸˒⁸⁹.
• Dados Psicométricos e de Sentimento: Variáveis como motivação, autoeficácia e o sentimento expresso em postagens de fóruns (analisado via Processamento de Linguagem Natural) podem capturar o estado afetivo e cognitivo do aluno, que é um forte correlato do engajamento³⁷˒⁸⁵˒⁸⁷.

Em termos de desempenho, estudos comparativos demonstram consistentemente a superioridade dos modelos de Deep Learning (como LSTMs e ANNs) e de métodos de conjunto (ensemble methods como Random Forest e XGBoost) sobre classificadores tradicionais. Esses modelos frequentemente alcançam taxas de acurácia acima de 90% e valores elevados de AUC (Area Under the Curve), indicando uma excelente capacidade de distinguir entre alunos que irão evadir e os que não irão³⁵˒³⁶˒³⁸˒⁸⁶. Uma vantagem crucial dos modelos de DL, como os baseados em LSTMs, é sua natureza temporal: eles não apenas preveem se um aluno irá evadir, mas também podem estimar quando isso é mais provável de ocorrer, permitindo que as intervenções sejam aplicadas no momento mais crítico³⁵˒⁸⁶.

3.3 Ecossistemas de Aprendizagem Adaptativos: Personalizando a Jornada do Aluno

A AIED avança para além da simples predição, buscando criar intervenções personalizadas em escala. Este é o domínio da aprendizagem adaptativa, que visa transformar a experiência de EAD de um modelo “tamanho único” para um ecossistema dinâmico e individualizado.

• Trilhas de Aprendizagem Personalizadas (Personalized Learning Paths, PLPs): Utilizando técnicas de Deep Reinforcement Learning (DRL), é possível desenvolver sistemas que recomendam uma sequência única de conteúdos e atividades para cada aluno. O sistema observa o “estado de conhecimento” do aluno (o que ele sabe e o que não sabe) e, a cada interação, decide qual é o próximo item de aprendizagem mais eficaz para maximizar seu progresso em direção a um objetivo, como em um jogo onde cada ação é recompensada⁴⁵˒⁴⁶˒B7. Isso atende diretamente à necessidade de instrução individualizada que a EAD massificada frequentemente falha em prover.
• Tutoria Inteligente e Feedback: A IA pode funcionar como um tutor inteligente, disponível 24/7, para fornecer feedback instantâneo e personalizado sobre exercícios, tirar dúvidas e oferecer explicações alternativas⁵⁴˒⁵⁹. Pesquisas de laboratórios como o IBM Research demonstram sistemas onde a IA aumenta a capacidade do professor, automatizando a correção e o feedback para que o educador humano possa se concentrar em interações mais complexas e de maior valor pedagógico⁵⁹˒¹⁶³. Isso se alinha diretamente com a nova exigência regulatória de uma mediação pedagógica mais robusta.
• IA Generativa para Criação de Conteúdo: Modelos de linguagem avançados, como GPT-4o e Claude, estão revolucionando a criação de conteúdo educacional. Sob a supervisão de um especialista, esses modelos podem gerar uma vasta gama de materiais — como problemas de prática com diferentes níveis de dificuldade, explicações conceituais, estudos de caso e até planos de aula completos — de forma rápida e adaptada a contextos específicos¹⁰¹˒¹⁰²˒¹⁰³˒¹⁰⁵˒¹⁰⁶.

No contexto brasileiro, a empresa de tecnologia educacional Geekie é um exemplo prático de implementação de uma plataforma de aprendizagem adaptativa, que busca personalizar o ensino com base no desempenho dos alunos, demonstrando a viabilidade dessas tecnologias no cenário nacional⁷⁷˒¹²⁴˒¹²⁷˒¹⁴⁷.

4. Metodologia

Para garantir o rigor e a credibilidade acadêmica, esta pesquisa adota uma metodologia de métodos mistos, seguindo os princípios de investigação científica que preconizam a integração de diferentes abordagens para uma compreensão mais completa de fenômenos complexos⁶⁶˒⁶⁸˒B6. Especificamente, o desenho do estudo é do tipo convergente, o que implica a coleta e análise independentes de dados qualitativos e quantitativos, cujos resultados são posteriormente integrados e interpretados na fase de discussão para formular as conclusões.

O componente qualitativo da pesquisa consiste em uma análise documental e de políticas públicas. Foram examinados os textos primários que constituem o novo marco regulatório da EAD, incluindo o Decreto nº 12.456/2025 e as portarias ministeriais correlatas¹˒¹⁰, bem como as comunicações oficiais do MEC que explicitam a justificativa e os objetivos da reforma³˒³¹. Adicionalmente, foram analisadas notas públicas, pareceres e manifestações de stakeholders cruciais, como a Ordem dos Advogados do Brasil (OAB), o Conselho Federal de Psicologia (CFP) e associações setoriais como o Semesp, para capturar as diversas perspectivas e críticas sobre a nova política⁵˒⁷˒¹⁴²˒¹⁶⁷.

O componente quantitativo é composto por duas frentes. A primeira é uma revisão sistemática da literatura acadêmica sobre Inteligência Artificial na Educação. A busca foi focada em artigos científicos revisados por pares, publicados entre 2015 e 2025, indexados em bases de dados de alto impacto como IEEE Xplore, ACM Digital Library, Scopus, ScienceDirect, Springer, Google Scholar e arXiv. Os critérios de seleção priorizaram estudos que detalham arquiteturas de modelos de Deep Learning para predição de evasão e sistemas de aprendizagem adaptativa, incluindo as variáveis utilizadas, as métricas de desempenho e as implicações éticas. A segunda frente quantitativa é uma análise secundária de dados públicos provenientes do Censo da Educação Superior, divulgados pelo INEP. Esses dados foram utilizados para estabelecer as tendências longitudinais de matrícula e evasão na EAD, fornecendo o contexto empírico que justifica tanto a intervenção regulatória quanto a necessidade de novas soluções¹⁹˒²²˒²³.

A análise dos dados é guiada por um quadro conceitual desenvolvido especificamente para este estudo. Este quadro opera como a principal ferramenta analítica na Seção 5, mapeando sistematicamente os objetivos pedagógicos implícitos e explícitos nas novas regulações da EAD brasileira para as capacidades técnicas demonstradas pelos sistemas de AIED na literatura científica. A convergência dos resultados qualitativos (a natureza e as intenções da política) e quantitativos (a escala do problema da evasão e as capacidades da IA) permite uma discussão aprofundada que transcende a mera descrição, construindo uma ponte argumentativa entre o mundo da regulação e o da inovação tecnológica.

5. Análise e Discussão: Construindo a Ponte entre Regulação e Inovação

Esta seção constitui o núcleo analítico do artigo, onde as duas vertentes principais — política regulatória e inovação tecnológica — são sistematicamente interligadas. O objetivo é demonstrar que a IA não é apenas uma ferramenta complementar, mas um mecanismo potencialmente mais eficaz para alcançar os próprios fins almejados pela nova regulamentação.

5.1 Reconciliando Mandatos com Capacidades: Uma Análise de Política Informada por IA

A nova regulamentação da EAD utiliza alavancas de controle que são, por natureza, estruturais e baseadas em inputs — como a definição de carga horária presencial, a qualificação do corpo docente e a infraestrutura dos polos. Embora bem-intencionadas, essas medidas são instrumentos de baixa granularidade para resolver problemas de alta complexidade. A IA, por outro lado, oferece ferramentas de alta granularidade, focadas em processos, que podem atingir os mesmos objetivos pedagógicos de forma mais direta, personalizada e, potencialmente, mais eficaz. A Tabela 3 descontrói essa relação, comparando os mandatos regulatórios com as soluções alternativas ou aprimoradas que a IA pode oferecer.

Tabela 3: Análise Comparativa entre Metas Regulatórias e Soluções Potencializadas por IA

Mandato Regulatório (Decreto 12.456/2025)	Meta Pedagógica Subjacente	Solução/Aprimoramento via IA	Fonte(s) da Capacidade da IA
Mínimo de 10% de atividades presenciais e 10% síncronas em cursos EAD.	Garantir interação, engajamento e combater o isolamento do aluno.	Análise em tempo real do engajamento do aluno (e.g., análise de fala, atenção) em sessões síncronas para fornecer feedback ao tutor; uso de tutores-agentes (chatbots) para suporte 24/7, expandindo a interação para além dos horários fixos.	16
Exigência de corpo docente com pós-graduação e definição de papéis (regente, conteudista).	Assegurar mediação pedagógica de alta qualidade e suporte qualificado.	Sistemas de IA que aumentam a capacidade do tutor, automatizando tarefas repetitivas (e.g., correção de atividades, feedback inicial) e fornecendo dashboards com insights sobre o progresso de cada aluno, permitindo que o educador humano foque em intervenções complexas.	17
Obrigatoriedade de avaliações presenciais com maior peso na nota final.	Garantir a validade e a integridade do processo avaliativo, coibindo fraudes.	Desenvolvimento de sistemas de avaliação adaptativa que personalizam as questões em tempo real, tornando a fraude por cópia mais difícil. Uso de IA para criar bancos de questões vastos e variados, e para analisar padrões de resposta que possam indicar desonestidade acadêmica.	21
Criação da modalidade semipresencial (30% presencial, 20% síncrono).	Promover uma formação híbrida “rica e integral” que combine o melhor dos dois mundos.	Criação de ecossistemas de aprendizagem verdadeiramente híbridos, onde trilhas de aprendizagem personalizadas (PLPs) recomendam dinamicamente se o próximo passo de um aluno deve ser uma atividade online, uma sessão síncrona ou um encontro presencial, otimizando a jornada de cada um.	24

Esta análise revela uma desconexão fundamental entre as ferramentas da regulação e a natureza dos problemas a serem resolvidos. O governo está utilizando instrumentos estáticos e baseados em inputs (horas-aula, diplomas) para lidar com questões dinâmicas e processuais (engajamento, motivação, evasão). É uma tentativa de consertar o desempenho de um motor complexo apenas alterando o tipo de combustível, sem analisar seu funcionamento interno. A IA, em contraste, oferece o conjunto de ferramentas diagnósticas e de ajuste fino necessárias para operar diretamente no nível do processo, representando uma solução mais direta e potente para as causas da evasão e da baixa qualidade.

5.2 Proposta de Modelo: Um Sistema Integrado e Orientado por Dados para a EAD Brasileira

Com base na análise anterior, propõe-se aqui uma arquitetura conceitual para um sistema de suporte ao estudante, impulsionado por IA, projetado para operar dentro do novo ecossistema regulatório brasileiro. Este sistema não visa substituir as exigências legais, mas sim torná-las mais eficazes, focando na prevenção da evasão e na promoção de uma aprendizagem significativa.

O sistema funcionaria como um ciclo de retroalimentação contínuo, composto por dois motores principais:

1. Motor Preditivo: Este componente seria responsável por ingerir continuamente dados de múltiplas fontes, como o LMS (interações com conteúdo, frequência de acesso, desempenho em atividades), o sistema de informações acadêmicas da instituição (histórico de notas, situação de matrícula) e dados demográficos. Utilizando um modelo de Deep Learning (preferencialmente baseado em LSTMs, devido à natureza temporal dos dados), o motor calcularia e atualizaria em tempo real um escore de risco de evasão para cada estudante³⁵˒⁸⁶.
2. Motor de Intervenção Adaptativa: Quando o escore de risco de um aluno ultrapassasse um limiar predefinido, este motor seria acionado. Ele implantaria uma série de intervenções personalizadas e escalonadas. Em um primeiro nível, as intervenções poderiam ser automatizadas, como o envio de “cutucões” (nudges) por e-mail, a recomendação de materiais de revisão específicos ou a sugestão de vídeos sobre um tópico em que o aluno demonstrou dificuldade. Se o risco persistisse ou aumentasse, o sistema escalaria a intervenção, por exemplo, alertando um tutor humano para agendar uma sessão de aconselhamento individual. No nível mais avançado, o motor poderia utilizar Deep Reinforcement Learning para reajustar dinamicamente a trilha de aprendizagem do aluno, propondo um caminho alternativo para contornar suas dificuldades e recuperar seu engajamento⁴⁶˒B7.

A Figura 2 apresenta um fluxograma que visualiza esta arquitetura conceitual.

Figura 2: Arquitetura Conceitual de um Sistema de Suporte Integrado por IA para a EAD

(Fluxograma mostrando as seguintes etapas em um ciclo: (1) Fontes de Dados alimentam o (2) Motor Preditivo, que gera um (3) Escore de Risco de Evasão. Este escore é avaliado por um (4) Sistema de Decisão. Se o risco for baixo, o ciclo continua monitorando. Se o risco for alto, ele aciona o (5) Motor de Intervenção Adaptativa. Este motor, por sua vez, implementa (6) Intervenções Personalizadas que impactam o (7) Ambiente de Aprendizagem do Aluno, gerando novos dados que realimentam o ciclo no passo 1.)

5.3 O Humano no Circuito: Aumentando a Capacidade do Educador

Uma preocupação legítima e recorrente no debate sobre IA é o temor de que a tecnologia substitua os profissionais humanos. No entanto, a arquitetura aqui proposta baseia-se no princípio da colaboração homem-máquina, ou human-in-the-loop⁹⁵. O objetivo não é substituir professores e tutores, mas sim aumentar suas capacidades⁵⁹.

Neste modelo, a IA assume as tarefas que as máquinas fazem melhor: processar vastos volumes de dados em tempo real, identificar padrões sutis em escala e executar intervenções automatizadas de primeiro nível. Isso libera o tempo e a energia dos educadores humanos para se concentrarem nas tarefas que eles fazem melhor e que a IA não pode replicar: fornecer apoio empático, conduzir discussões complexas, inspirar o pensamento crítico e construir relações de confiança com os alunos⁵⁴˒⁵⁶. O sistema de IA atua como um assistente cognitivo, fornecendo ao tutor um dashboard que destaca quais alunos precisam de mais atenção e sobre quais tópicos, permitindo uma tutoria muito mais focada e eficiente. A tecnologia, portanto, não desumaniza o processo, mas, ao contrário, pode permitir uma interação humana mais qualificada e significativa. A evolução da IA aponta para um futuro onde suas capacidades cognitivas podem transformar radicalmente diversos setores, incluindo a educação, otimizando processos e abrindo novas fronteiras para o desenvolvimento humano⁹⁰˒B9.

6. O Imperativo Glocal: Considerações Éticas e Recomendações de Políticas para o Brasil

A implementação de sistemas de IA tão poderosos não é isenta de riscos, especialmente em um contexto de profundas desigualdades sociais como o brasileiro. A simples importação de tecnologias desenvolvidas no Norte Global, sem uma adaptação crítica à realidade local, pode criar novas formas de exclusão. Portanto, uma abordagem “glocal” (tecnologia global, adaptação local) é um imperativo ético.

6.1 Perigos da Implementação: Viés, Privacidade e Transparência no Contexto Brasileiro

• Viés Algorítmico: Este é talvez o risco mais grave. Modelos de IA são treinados com dados e, se os dados refletem vieses históricos (sociais, raciais, de gênero), o modelo não apenas os aprenderá, mas poderá amplificá-los⁷²˒⁷⁵˒⁷⁷. Um modelo de predição de evasão treinado predominantemente com dados de estudantes de países desenvolvidos pode, por exemplo, interpretar erroneamente características associadas à pobreza no Brasil como indicadores de falta de capacidade, penalizando injustamente os alunos que mais precisam de apoio. A aplicação acrítica de tais modelos no Brasil corre o risco de automatizar e legitimar a discriminação, exacerbando as desigualdades educacionais existentes.
• Privacidade dos Dados do Aluno: Os sistemas propostos dependem da coleta e análise de uma quantidade massiva de dados sensíveis dos estudantes. Proteger essa informação é fundamental. Uma solução tecnológica promissora para este desafio é a Aprendizagem Federada (Federated Learning). Nesta abordagem, em vez de centralizar todos os dados em um único servidor, o modelo de IA é enviado para ser treinado localmente, nos servidores de cada instituição de ensino ou até mesmo nos dispositivos dos alunos. Apenas os aprendizados do modelo (atualizações de parâmetros), e não os dados brutos, são enviados de volta para aprimorar o modelo global. Isso preserva a privacidade dos dados, pois eles nunca saem de seu ambiente de origem, alinhando a inovação tecnológica com as legislações de proteção de dados, como a LGPD¹⁰⁷˒¹⁰⁹˒¹¹¹.
• Transparência e Explicabilidade: Muitos modelos de Deep Learning funcionam como “caixas-pretas” (black boxes), ou seja, mesmo seus criadores não conseguem explicar completamente por que o modelo tomou uma determinada decisão (e.g., por que classificou um aluno específico como de alto risco). Para que educadores e alunos confiem e utilizem esses sistemas de forma responsável, é crucial que as decisões sejam transparentes e interpretáveis. O campo da IA Explicável (Explainable AI, XAI) desenvolve técnicas (como SHAP e LIME) que buscam “abrir” a caixa-preta, fornecendo justificativas compreensíveis para as previsões do modelo. A implementação de XAI é essencial para garantir a responsabilidade e permitir que os educadores exerçam seu julgamento profissional sobre as recomendações da IA¹¹³˒¹¹⁴.

A adoção de tecnologias de IA no Brasil, portanto, enfrenta um dilema ético “glocal”. A tecnologia é global, mas os riscos e as soluções devem ser locais. A importação acrítica de modelos e plataformas do Norte Global é insuficiente e perigosa. É necessária uma política nacional que exija testes locais, auditorias de viés, investimento em dados culturalmente relevantes e o fomento de capacidades técnicas e de governança distribuídas, em linha com as recomendações de organismos como o Banco Mundial e a UNESCO para a América Latina⁹¹˒⁹²˒B14.

6.2 Recomendações de Políticas para um Sistema Educacional Preparado para a IA

Para navegar nesta transição complexa, são necessárias ações coordenadas de diferentes atores. As seguintes recomendações, inspiradas em quadros de referência internacionais como os da UNESCO⁹²˒⁹³, visam orientar a construção de um ecossistema de AIED ético e eficaz no Brasil.

Para os Formuladores de Políticas (MEC, CAPES, CNE):

1. Desenvolver uma Estratégia Nacional de IA na Educação (AIED): O Brasil precisa passar de uma postura regulatória reativa para uma estratégia nacional proativa que incentive a inovação responsável em AIED. Isso inclui definir diretrizes éticas claras, promover a pesquisa e o desenvolvimento, e criar um roteiro para a integração da IA no sistema educacional, aprendendo com as experiências de outros países e adaptando-as à realidade nacional⁹²˒¹³²˒B14.
2. Fomentar a Pesquisa e o Desenvolvimento “Glocal”: Criar linhas de financiamento específicas, por meio de agências como CAPES e CNPq, para projetos de pesquisa que visem desenvolver, validar e adaptar modelos de IA para o contexto educacional brasileiro. O foco deve ser em mitigar vieses, garantir a equidade e desenvolver soluções para os problemas específicos da EAD no país.
3. Atualizar os Instrumentos de Avaliação e Regulação: Os instrumentos do Sistema Nacional de Avaliação da Educação Superior (SINAES) devem ser revisados para incorporar critérios que avaliem o uso ético e eficaz de tecnologias de IA nos projetos pedagógicos dos cursos. A regulação deve evoluir para avaliar não apenas inputs (como qualificação docente), mas também a qualidade dos processos mediados por tecnologia.

Para as Instituições de Ensino Superior (IES):

1. Investir em Infraestrutura e Governança de Dados: As IES precisam construir ecossistemas de dados robustos, seguros e interoperáveis. Isso inclui a criação de políticas claras de governança de dados, comitês de ética em IA e a implementação de tecnologias que preservem a privacidade, como a Aprendizagem Federada.
2. Promover a Alfabetização em IA para a Comunidade Acadêmica: É fundamental desenvolver programas de formação contínua para docentes, tutores e gestores. Essa formação deve ir além do uso instrumental das ferramentas, abrangendo a compreensão dos princípios da IA, a capacidade de interpretar seus resultados de forma crítica e o conhecimento de suas implicações éticas⁷²˒⁹³.
3. Adotar uma Abordagem “Humano no Circuito”: As IES devem implementar sistemas de IA como ferramentas para aumentar a capacidade de seus educadores, não para substituí-los. Devem ser criados protocolos que garantam que as decisões pedagógicas críticas (como a avaliação final de um aluno ou a decisão de uma intervenção de alto custo) permaneçam sob a responsabilidade e o julgamento de um profissional humano⁹⁵.

7. Conclusão

Este artigo navegou pela complexa interseção da reforma regulatória e da inovação tecnológica que hoje define o futuro da Educação a Distância no Brasil. A análise demonstrou que, embora a nova estrutura regulatória de 2025 estabeleça salvaguardas necessárias para a qualidade, seus mecanismos baseados em inputs são insuficientes para resolver os desafios processuais e multifatoriais da EAD, como a elevada taxa de evasão. A regulamentação, ao impor rigidez, pode paradoxalmente comprometer a flexibilidade que torna a EAD uma via de acesso crucial para milhões de brasileiros.

A tese central defendida aqui é que o caminho para um sistema de EAD mais robusto, equitativo e eficaz reside em uma sinergia estratégica entre a regulação e a tecnologia. A regulamentação define o campo de jogo e as regras essenciais, enquanto a Inteligência Artificial, especificamente o Deep Learning, oferece as ferramentas dinâmicas e personalizadas para jogar o jogo de forma mais inteligente. O modelo conceitual proposto — um sistema integrado que utiliza análise preditiva para identificar riscos e aprendizagem adaptativa para fornecer suporte individualizado — ilustra como a tecnologia pode ser empregada para alcançar os objetivos da política de maneira mais direta e eficiente.

No entanto, a implementação de tais sistemas não é uma panaceia e carrega consigo profundos imperativos éticos. A abordagem “glocal” é fundamental: as soluções de IA devem ser rigorosamente adaptadas e validadas para o contexto socioeconômico brasileiro, com salvaguardas robustas contra o viés algorítmico, uma forte proteção à privacidade dos dados dos alunos e um compromisso com a transparência através da IA explicável.

Em última análise, o futuro da educação na era da IA não é uma questão de máquinas versus humanos, mas de como as máquinas podem nos ajudar a sermos mais humanos. A tecnologia deve ser um meio para um fim: a promoção de uma aprendizagem mais engajadora, equitativa e centrada no desenvolvimento integral do indivíduo. A convergência da política educacional visionária com a inovação tecnológica responsável é a chave para transformar a promessa da EAD em uma realidade sustentável para o Brasil.

8. Referências

1. GOVERNO DO BRASIL. Assinado decreto que institui a Nova Política de EaD. Ministério da Educação, 2025.
2. ESTÁCIO. Nova regulamentação do EAD em 2025: o que muda para os cursos superiores. Blog da Estácio, 2025.
3. GOVERNO DO BRASIL. Governo Federal regulamenta Nova Política de Educação a Distância. Planalto, 2025.
4. MATTOS FILHO. Setor de Educação: perspectivas 2024-2025. Mattos Filho, 2024.
5. CONSELHO FEDERAL DE BIOMEDICINA. Nota Pública referente ao Marco Regulatório do Ensino a Distância (Decreto Lei nº12.456/2025). CFBM, 2025.
6. AGÊNCIA BRASIL. Saiba o que muda com nova política de ensino a distância do Brasil. EBC, 2025.
7. CÂMARA DOS DEPUTADOS. Proposição PDL 312/2024. Avulso, 2024.
8. PODER360. Governo publica regulamentação para cursos de graduação a distância. Poder360, 2025.
9. GOVERNO DO BRASIL. MEC publica portaria de regulamentação do decreto EAD. Ministério da Educação, 2025.
10. GOVERNO DO BRASIL. Decreto nº 12.456, de 19 de maio de 2025. Planalto, 2025.
11. MATTOS FILHO. Setor de Educação: perspectivas 2024-2025. Mattos Filho, 2024. ¹
12. EDUCA MAIS BRASIL. MEC estende prazo para regulação da EAD no ensino superior até maio. Educa Mais Brasil, 2025.
13. PEARSON HED. Portaria 528: impactos no ensino superior e o futuro da EAD. Pearson, 2024.
14. ABMES. Portaria MEC nº 528, de 06 de junho de 2024. Associação Brasileira de Mantenedoras de Ensino Superior, 2024.
15. COFEN. 31 de dezembro de 2024: MEC estipula data limite para enquadrar cursos EaD. Conselho Federal de Enfermagem, 2024.
16. CRBM3. MEC edita nova portaria e prorroga prazo de suspensão para novos cursos de graduação EAD. Conselho Regional de Biomedicina – 3ª Região, 2025.
17. E-MEC. Detalhamento da IES. Ministério da Educação, 2024.
18. LEX. Portaria MEC nº 528, de 6 de junho de 2024. Lex, 2024.
19. JEDUCA. Censo da Educação Superior: EAD e permanência estudantil são pontos de atenção da cobertura. Jeduca, 2023.
20. REVISTA EAD EM FOCO. Uma Análise Quantitativa dos Determinantes da Evasão no Ensino Superior EaD. CECIERJ, 2025.
21. ANDIFES. O Censo da Educação Superior 2021 e os desafios para o Brasil do futuro. Associação Nacional dos Dirigentes das Instituições Federais de Ensino Superior, 2022.
22. ABMES. Paulo Chanan publica análise dos números do Censo da Educação Superior 2023. Associação Brasileira de Mantenedoras de Ensino Superior, 2024.
23. INEP. MEC e Inep divulgam resultado do Censo Superior 2023. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira, 2024.
24. DESAFIOS DA EDUCAÇÃO. Censo Superior 2023: cursos tecnológicos e como evitar a evasão. Desafios da Educação, 2024.
25. CORREIO BRAZILIENSE. Ensino superior no Brasil tem 57% de evasão na rede pública e privada. Correio Braziliense, 2024.
26. IPEA. Evasão de alunos da coorte de 2010 nos cursos a distância e presenciais no Brasil. Instituto de Pesquisa Econômica Aplicada, 2019.
27. FUNDAÇÃO FAT. Cenário de evasão do ensino superior derruba mito contra educação a distância. Fundação FAT, 2023.
28. SEMESP. Mapa do Ensino Superior no Brasil – Evasão. Semesp, 2024.
29. EDUCAÇÃO & SOCIEDADE. Qualidade na EAD na perspectiva ecossistêmica. SciELO, 2024.
30. BRASIL DE FATO. A qualidade da formação a distância. Brasil de Fato, 2024.
31. GOVERNO DO BRASIL. MEC debate marco regulatório da EAD na Câmara dos Deputados. Ministério da Educação, 2025.
32. CORREIO BRAZILIENSE. É preciso qualificar o debate sobre a EAD. Correio Braziliense, 2024.
33. MINISTÉRIO DA EDUCAÇÃO. Referenciais de Qualidade para Educação a Distância. MEC, 2007.
34. LE MONDE DIPLOMATIQUE BRASIL. A qualidade dos cursos EAD é a grande farsa nacional. Le Monde Diplomatique Brasil, 2023.
35. WANG, S. et al. Dropout Prediction in MOOCs: Using Deep Learning for Personalized Intervention. ResearchGate, 2018.
36. SCHOLARLY RESEARCH JOURNAL FOR INTERDISCIPLINARY STUDIES. Data Driven Analytics for Predicting Student Attrition. SRJIS, 2023.
37. THE INTERNATIONAL REVIEW OF RESEARCH IN OPEN AND DISTRIBUTED LEARNING. Applications of Deep Learning in Open Learning: A Systematic Review (2018–2023). IRRODL, 2024.
38. ERIC. The Application of Artificial Intelligence in Education: A Systematic Review. ERIC, 2023.
39. BURGOS, C. et al. A systematic review of the use of machine learning in student dropout prediction. Open Research, 2022.
40. SILVA, F. et al. A Systematic Review of Machine Learning Techniques for Student Dropout Prediction. MDPI, 2022.
41. WANG, C. et al. A Survey on Deep Learning for Personalized Education. arXiv, 2023.
42. INTERNATIONAL JOURNAL OF SCIENTIFIC RESEARCH AND TECHNOLOGY. Adaptive Learning Using Generative Artificial Intelligence. IJISRT, 2024.
43. WANG, C. et al. A Survey on Deep Learning for Personalized Education (v4). arXiv, 2023.
44. LI, Y. et al. A Personalized Learning Path Recommendation System for the Second Classroom Based on Large Language Models. MDPI, 2025.
45. ZHANG, J. et al. Improving Programming Skills of Engineering Students at HBCUs using AI-enhanced Online Personalized Adaptive Learning Tools. ASEE PEER, 2022.
46. SHI, D. et al. Adaptive Learning Path Navigation by Integrating Attentive Knowledge Tracing and Entropy-enhanced Proximal Policy Optimization. arXiv, 2023.
47. JONES, S. S. & GROOM, F. M. (Eds.). Artificial Intelligence and Machine Learning for Business for Non-Engineers. CRC Press, 2019.
48. UC SAN DIEGO. Exploring the Impact of Generative AI on Education, Research, and More. UCSD Today, 2023.
49. RASPBERRY PI FOUNDATION & GOOGLE DEEPMIND. Experience AI: Foundations of AI. Experience AI, 2023.
50. BOCCONI UNIVERSITY. AI Is Rewriting High School and College Education. Unibocconi.it, 2024.
51. UNESCO & DNE. AI and education: research contributions and challenges for public policies. Hypotheses.org, 2024.
52. ZHANG, K. et al. A Systematic Review of Explainable Artificial Intelligence in Education Research. MDPI, 2024.
53. MEDIUM. The Coming AI Education Revolution. Carole Cameron Inge, 2024.
54. ACADEMIC CONFERENCES. The Role of AI-Driven Personalized E-Learning in Enhancing Global Competitiveness. ECEL, 2024.
55. INTERNATIONAL JOURNAL OF PROGRESSIVE RESEARCH IN ENGINEERING MANAGEMENT AND SCIENCE. AI-Powered Personalization: Leveraging Knowledge Graphs for Dynamic Learning Pathways. IJPREMS, 2025.
56. RAPID INNOVATION. How AI is Transforming the Educational Technology Industry. Rapidinnovation.io, 2024.
57. SCALABLE COMPUTING: PRACTICE AND EXPERIENCE. Transformative Horizons: The Role of AI and Computers in Shaping Future Trends of Education. SCPE, 2024.
58. EDTECH REVIEW. Emerging EdTech Trends in Education. EdTechReview, 2024.
59. KOKKU, R. et al. Augmenting Classrooms with AI for Personalized Education. IBM Research, 2017.
60. FUTURE OF EDUCATION. AI in Education: The Revolution is Here. Anchor.fm, 2024.
61. VIDHI CENTRE FOR LEGAL POLICY. Retaining informational privacy in the age of emerging technology. Vidhi Legal Policy, 2022.
62. MAREFA. طفرة الذكاء الاصطناعي (AI Boom). Marefa.org, 2024.
63. SCRIBD. AI Boom. Scribd, 2024.
64. WIKIPEDIA (ES). Auge de la inteligencia artificial. Wikipedia, 2024.
65. SALESFORCE. Ethics in AI: Research Papers and Articles. Salesforce Blog, 2024.
66. SAMPIERI, R. H. et al. Metodologia de Pesquisa. Scribd, 2013.
67. MARCONI, M. A. & LAKATOS, E. M. Fundamentos de Metodologia Científica. Archive.org.
68. MACKENZIE. Métodos de pesquisa científica: conceitos e definições. Mackenzie, 2021.
69. UDESC. Procedimentos Metodológicos de Pesquisa: Ciência e Conhecimento. UDESC, 2016.
70. SAMPIERI, R. H. et al. Metodologia de Pesquisa (3ª ed.). WordPress.com, 2006.
71. CAPES. Fundamentos Teóricos e Metodológicos da Pesquisa em Educação em Ciências. EduCAPES, 2019.
72. WORLD BANK. Artificial Intelligence in Education: An Opportunity for Latin America. World Bank, 2025.
73. MDPI. The Role of Artificial Intelligence in Education: A Comprehensive Review and Future Research Directions. MDPI, 2024.
74. T20 BRASIL. Large Language Models as Glocal Inequality Machines. T20, 2024.
75. ASIAN EDUCATION AND LEARNING REVIEW. The Integration of Artificial Intelligence in Compulsory Education. NRCT, 2025.
76. CAIRN.INFO. Artificial Intelligence and Education. Council of Europe, 2022.
77. ERIC. Artificial Intelligence in Education in Developing Countries. ERIC, 2024.
78. BAKER, R. S. The Use of Educational Data Mining to Support Student Learning. UPenn, 2015.
79. MUTIMUKWE, C. et al. Students’ Privacy Concerns in Learning Analytics: A Cross-Country Study. arXiv, 2023.
80. UNESCO. AI and education: Guidance for policy-makers. UNESCO, 2021.
81. CAMPUS TECHNOLOGY. When Learning Analytics Violate Student Privacy. Campus Technology, 2018.
82. OXFORD BIBLIOGRAPHIES. Learning Analytics. Oxford University Press, 2022.
83. JOURNAL OF LEARNING ANALYTICS. Co-Designing with and for Whom? A Systematic Literature Review of Participatory Frameworks in Learning Analytics. SoLAR, 2022.
84. RESEARCHGATE. The Predictive Learning Analytics for Student Dropout Using Data Mining Technique: A Systematic Literature Review. ResearchGate, 2023.
85. JOURNAL OF LEARNING ANALYTICS. Verifying a Privacy-Friendly Dropout Prediction Model with Self-Report Data. SoLAR, 2023.
86. MDPI. A Hybrid Deep Learning Model for Predicting Student Dropout in MOOCs. MDPI, 2024.
87. arXiv. A Novel Approach for Student Dropout Prediction in Distance Learning Using Sentiment Analysis. arXiv, 2025.
88. MDPI. Predicting Student Dropout: A Case Study. MDPI, 2021.
89. EDUCATIONAL DATA MINING SOCIETY. A Multi-Modal Approach for Student Dropout Prediction. EDM Society, 2024.
90. GOMES, M. Inteligência Artificial: Fundamentos, Capacidades Cognitivas e Aplicações Transformadoras com Análise de Desempenho e Perspectivas Futuras. MaiquelGomes.com.br, 2024.
91. RESEARCHGATE. Speculative futures of education: utopian and dystopian scenarios envisioned by Chatgpt, Gemini, and Deepseek. ResearchGate, 2024.
92. UNESCO. What you need to know about UNESCO’s new AI competency frameworks for students and teachers. UNESCO, 2025.
93. STANFORD HAI. AI Index Report 2025 – Chapter 7: Education. Stanford University, 2025.
94. STANFORD HAI. Artificial Intelligence Index Report 2025. Stanford University, 2025.
95. RESEARCHGATE. Responsible Autonomy. ResearchGate, 2021.
96. ZOTERO. Juliana Raffaghelli – Public Library. Zotero, 2023.
97. IMMIGRATION.COM. EAD Regulation. Immigration.com.
98. IMMIGRATION.COM. H Visa FAQs. Immigration.com.
99. NFAP. Digest of NFAP Forbes Articles on Trade and Immigration. NFAP, 2021.
100. ABIL. PERM Archives. ABIL Blog.
101. arXiv. Stakeholder Attitudes on Generative AI in Education: A Reddit Case Study. arXiv, 2025.
102. arXiv. Generating Curriculum-Aligned Multiple-Choice Questions for a Low-Resource Language using Retrieval-Augmented Generation. arXiv, 2025.
103. arXiv. Exploring and Enhancing Generative AI for Educational Content Creation in Advanced Mathematics. arXiv, 2025.
104. arXiv. An Automated Approach for Evaluating Demographic Bias in AI-Generated Educational Content. arXiv, 2025.
105. arXiv. GAIDE: A Framework for Generative AI for Instructional Development and Education. arXiv, 2023.
106. arXiv. GAIDE: A Framework for Generative AI for Instructional Development and Education (v4). arXiv, 2024.
107. RESEARCHGATE. Issues between Artificial Intelligence and Personal Data in Education. ResearchGate, 2024.
108. EDUCATIONAL DATA MINING SOCIETY. GDPR-Compliant Educational Data Mining: Challenges and Opportunities. EDM Society, 2025.
109. arXiv. Personalized Learning Intelligence: A Federated Machine Learning Approach to Student Modeling in Digital Learning Environments. arXiv, 2024.
110. JOURNAL OF INTELLIGENT AND FUZZY SYSTEMS. Research on the Role of Artificial Intelligence in Promoting Personalized Learning in Education. JIFS, 2024.
111. IGI GLOBAL. Data Privacy in the Age of AI-Driven Education. IGI Global, 2025.
112. arXiv. On the Fairness of Partial Data Unlearning in Educational Data Mining. arXiv, 2024.
113. EDUCATIONAL DATA MINING SOCIETY. A Systematic Review of Explainable Artificial Intelligence in Educational Models. EDM Society, 2024.
114. KWAKYE, S. F. Towards Transparent and Interpretable Predictions of Student Performance Using Explainable AI. University of East London, 2024.
115. arXiv. Data-centric Explainable AI: A Survey. arXiv, 2024.
116. ADRIANVILLEGASD.COM. ChatGPT en la formación docente – Webinar CIAE UChile. AVD Aprendizaje Digital, 2024.
117. CPEIP. Plan Nacional de Inteligencia Artificial en Educación. Centro de Perfeccionamiento, Experimentación e Investigaciones Pedagógicas, 2024.
118. ADRIANVILLEGASD.COM. Ponencias. AVD Aprendizaje Digital, 2025.
119. YOUTUBE. Design Thinking para innovar en tu aula. YouTube, 2024.
120. SEMESP. Nota de posicionamento do Semesp sobre o novo marco regulatório da educação a distância. Semesp, 2025.
121. SCRIBD. Diferenças Portaria nº 750 e nº 983. Scribd.
122. SCRIBD. Sistema e Cadastro E-mec. Scribd.
123. DIÁRIO OFICIAL DE MATO GROSSO DO SUL. Parecer Jurídico. Diário Oficial, 2016.
124. SINGEP. Startup/TIC: Estudo de Caso na Empresa Geekie. 5º SINGEP, 2016.
125. IFSP. Dissertação: Valter Abreu Moreira. IFSP, 2018.
126. REASE. A aprendizagem adaptativa e personalizada na educação básica. Periódico REASE, 2024.
127. CIC FIO. Análise de Estudos de Caso: Geekie Games. Anais CIC FIO, 2023.
128. SEVEN PUBLICAÇÕES. Plataforma Adaptativa Geekie Games. Brazilian Journal of Development, 2021.
129. RESEARCHGATE. Novas Formas de Aprendizagem: Utilização da Plataforma Adaptativa Geekie Games. ResearchGate, 2021.
130. WORLD BANK. A Revolução da IA na Educação: O que é preciso saber. World Bank, 2024.
131. EDUCAÇÃO & SOCIEDADE. A transformação da educação em mercadoria no Brasil. SciELO, 2019.
132. PROFUTURO. A Revolução da IA na Educação: Inovações e Oportunidades na América Latina e no Caribe. ProFuturo, 2024.
133. OEI. O futuro da Inteligência Artificial na educação na América Latina. Organização dos Estados Ibero-americanos, 2023.
134. UNESCO. Relatório de Monitoramento Global da Educação 2023. UNESCO, 2023.
135. SCIELO PREPRINTS. Inteligência Artificial na Educação Básica. SciELO Preprints, 2025.
136. SANTOS JUNIOR. Marco Regulatório EAD 2025 – Regras de Transição. Santos Junior Consultoria, 2025.
137. SANTOS JUNIOR. Portaria nº 2.117, de 6 de dezembro de 2019. Santos Junior Consultoria, 2019.
138. ABMES. Marco Regulatório EAD: Desafios e Oportunidades. Apresentação, 2025.
139. YOUTUBE. MEC acaba com as licenciaturas 100% EAD. YouTube, 2023.
140. SCRIBD. Sistema e Cadastro E-mec. Scribd. ²
141. SCRIBD. Resolução CES/CNE nº 1, de 11 de março de 2016. Scribd.
142. CONSELHO FEDERAL DE PSICOLOGIA. Nota do Sistema Conselhos de Psicologia sobre ensino a distância. CFP, 2019.
143. CONSELHO FEDERAL DE PSICOLOGIA. Nota Pública: Em defesa da presencialidade e contra a educação a distância na Graduação em Psicologia. CFP, 2023.
144. SINGEP. Startup/TIC: Estudo de Caso na Empresa Geekie. 5º SINGEP, 2016. ³
145. CAPES. Dissertação: O uso da plataforma Geekie One como ferramenta digital para o ensino de História. EduCAPES, 2022.
146. UFMG. Dissertação: O uso de plataformas adaptativas para personalização do ensino. Repositório UFMG, 2022.
147. UFRJ. Dissertação: Estudo de caso do Programa Global de Empreendedorismo da IBM Brasil voltado a startups. PPED UFRJ, 2015.
148. USP. Dissertação: Regina Kiyomi. Teses USP, 2016.
149. RESEARCHGATE. Learning analytics in higher education: a preponderance of analytics but very little learning. ResearchGate, 2021.
150. J.UCS. Fostering Students’ Awareness by Means of a Visualization Based on Similarity. Journal of Universal Computer Science, 2015.
151. JOURNAL OF LEARNING ANALYTICS. Applications of Learning Analytics in Latin America. SoLAR, 2024.
152. IJIET. Predictive Model of Academic Performance of University Students in a Learning Management System. International Journal of Information and Education Technology, 2021.
153. UNIVERSIDADE DE TARAPACÁ. Learning analytics in higher education: a preponderance of analytics but very little learning? UTA, 2021.
154. PUBMED. A Curriculum Analytics Tool to Support Program-Level Continuous Improvement in Latin American Universities. PubMed, 2022.
155. CHEN, A. G. et al. Leveraging Large-scale Educational Data for Fair and Effective Student Dropout Prediction. IEEE Transactions on Learning Technologies, 2022.
156. MDPI. SDA-Vis: A Visualization Tool for Student Dropout Analysis Based on Counterfactual Explanations. MDPI, 2022.
157. PMC. Predictive Modelling of Student Dropout Risk: A Case Study in a Japanese University. PMC, 2024.
158. LUZAN, C. et al. Transfer Learning for Student Dropout Prediction. Proceedings of the 3rd International Conference on AI-ML Systems, 2024.
159. JOURNAL OF LEARNING ANALYTICS. A Multimodal Teacher-in-the-Loop Framework for Student Dropout Prediction. SoLAR, 2021.
160. SOLAR. LAK25 Companion Proceedings. SoLAR, 2025.
161. SAKANA AI. The AI Scientist. GitHub, 2024.
162. UNIVERSITY OF CALIFORNIA, BERKELEY. UPSC2M: A Dataset for Understanding and Predicting Student Competency in Math. EECS Tech Reports, 2025.
163. CAHLR. Introducing an Open-source Adaptive Tutoring System to Accelerate Learning Sciences Experimentation. GitHub Pages, 2023.
164. RIVIER ACADEMIC JOURNAL. An Adaptive Learning Framework using Multiple ChatGPT Agents. Rivier University, 2024.
165. KDD 2024. Workshop on AI for Education (AI4EDU). KDD, 2024.
166. FLYPIX. AI in Education Conferences 2025-2026. Flyp.ix, 2024.
167. ORDEM DOS ADVOGADOS DO BRASIL. MEC suspende criação de novos cursos de graduação a distância. OAB, 2024.
168. ORDEM DOS ADVOGADOS DO BRASIL. Imprensa nacional repercute vitória da OAB contra a criação de cursos EAD de Direito. OAB, 2024.B1. EDUCAÇÃO & SOCIEDADE. Qualidade na EAD na perspectiva ecossistêmica. SciELO, 2024.B2. ESTÁCIO. Nova regulamentação do EAD em 2025: o que muda para os cursos superiores. Blog da Estácio, 2025.B4. REVISTA EAD EM FOCO. Uma Análise Quantitativa dos Determinantes da Evasão no Ensino Superior EaD. CECIERJ, 2025.B5. EDUCAÇÃO & SOCIEDADE. Qualidade na EAD na perspectiva ecossistêmica. SciELO, 2024.B6. SAMPIERI, R. H. et al. Metodologia de Pesquisa. Scribd, 2013.B7. SHI, D. et al. Adaptive Learning Path Navigation by Integrating Attentive Knowledge Tracing and Entropy-enhanced Proximal Policy Optimization. arXiv, 2023.B9. GOMES, M. Inteligência Artificial: Fundamentos, Capacidades Cognitivas e Aplicações Transformadoras. MaiquelGomes.com.br, 2024.B12. AGÊNCIA BRASIL. Saiba o que muda com nova política de ensino a distância do Brasil. EBC, 2025.B13. CORREIO BRAZILIENSE. Ensino superior no Brasil tem 57% de evasão na rede pública e privada. Correio Braziliense, 2024.B14. WORLD BANK. A Revolução da IA na Educação: O que é preciso saber. World Bank, 2024.