Framework preditivo de engajamento e desempenho discente em ambientes de aprendizagem gamificados
Projeto PIBIC 2025-2026 voltado à criação de um framework preditivo para engajamento e desempenho discente em ambientes de aprendizagem gamificados, combinando Octalysis, indicadores neurocientíficos, learning analytics e machine learning.
Visão geral
Projeto em andamento. Período informado: PIBIC 2025-2026.
Este projeto investiga a construção de um framework preditivo de engajamento e desempenho discente para ambientes de aprendizagem gamificados. A proposta combina princípios do Octalysis, indicadores neurocientíficos associados à aprendizagem, learning analytics e modelos de machine learning para apoiar decisões pedagógicas mais precoces, personalizadas e orientadas por evidências.
O projeto parte de experiências concretas de gamificação em disciplinas de graduação, incluindo a experiência Alvorecer Feudal, e organiza esses dados em instrumentos diagnósticos, indicadores e modelos capazes de apoiar a personalização de estratégias de ensino.
Dados gerais
| Campo | Informação |
|---|---|
| Natureza | Pesquisa, desenvolvimento e inovação em gamificação educacional, learning analytics e inteligência artificial aplicada à educação |
| Situação | Em andamento |
| Ano de início | 2025 |
| Ano de fim | 2026 |
| Programa | PIBIC 2025-2026 |
| Coordenação | Prof. Sergio Antonio Andrade de Freitas |
| Instituição envolvida | Universidade de Brasília |
| Instituição de execução | Universidade de Brasília |
| Órgão/Unidade | Faculdade de Ciências e Tecnologias em Engenharia |
| Cooperação instituição de pesquisa e empresa | Não informada no cadastro do projeto |
| Potencial de inovação | Framework, instrumentos diagnósticos, indicadores e modelos preditivos para personalização de ambientes gamificados de aprendizagem |
Objetivos
O projeto tem como objetivos principais:
- estruturar um framework para prever engajamento e desempenho discente em ambientes de aprendizagem gamificados;
- combinar dimensões motivacionais do Octalysis com indicadores de aprendizagem, engajamento e desempenho;
- explorar modelos de machine learning para apoiar predições e recomendações pedagógicas;
- consolidar instrumentos diagnósticos aplicáveis no início do semestre; e
- apoiar a evolução dos produtos EduTrack e EduTrack AI .
Equipe
| Participante | Papel |
|---|---|
| Sergio Antonio Andrade de Freitas | Coordenador e orientador de iniciação científica |
| Cristiane Soares Ramos | Pesquisadora |
| Daniel Rodrigues da Rocha | Estudante de iniciação científica orientado pelo Prof. Sergio |
| Davi Rodrigues da Rocha | Estudante de iniciação científica orientado pelo Prof. Sergio |
| Mylena Angélica Silva Farias | Estudante de iniciação científica orientada pelo Prof. Sergio |
Produtos relacionados
Produção C&T vinculada
| Ano | Produção | Tipo | Observação |
|---|---|---|---|
| 2026 | A Motivation-Aware Diagnostic Instrument for Personalized and Gamified Computing Education | Trabalho publicado em anais de evento | Resultado derivado da experiência Alvorecer Feudal e vinculado ao projeto PIBIC 2025-2026 |
Orientações vinculadas
| Ano | Orientação | Tipo |
|---|---|---|
| 2025 | Framework preditivo de engajamento e desempenho discente em ambientes de aprendizagem gamificados com base em Octalysis, indicadores neurocientíficos e machine learning | Iniciação científica - Daniel Rodrigues da Rocha |
| 2025 | Framework preditivo de engajamento e desempenho discente em ambientes de aprendizagem gamificados com base em Octalysis, indicadores neurocientíficos e machine learning | Iniciação científica - Davi Rodrigues da Rocha |
| 2025 | Framework preditivo de engajamento e desempenho discente em ambientes de aprendizagem gamificados com base em Octalysis, indicadores neurocientíficos e machine learning | Iniciação científica - Mylena Angélica Silva Farias |