Um estudo descreve e avalia uma plataforma de aprendizagem adaptativa baseada em IA generativa para preparação do teste teórico de direção no Reino Unido, com foco em gerar questões novas e oferecer feedback personalizado com base no histórico de desempenho. A pesquisa indica boa precisão e relevância nas questões e alta qualidade do feedback, mas aponta limitações de escala, de validação em longo prazo e de “inteligência contextual” para priorizar tópicos de maior risco, abrindo caminho para modelos híbridos e novas métricas de qualidade em avaliações automatizadas.

O QUE HÁ DE NOVO: Pesquisadores desenvolveram uma aplicação web voltada à revisão do UK driving theory test que automatiza a criação de testes e a entrega de feedback usando um modelo de linguagem (Gemini Flash) combinado a dados de desempenho do próprio usuário. A novidade central é que o sistema não se limita a dar devolutivas pontuais: ele registra acertos e erros ao longo do tempo e usa esse histórico para montar novos conjuntos de questões “não repetitivos”, ajustando a distribuição de tópicos conforme as fragilidades do aprendiz em testes por tema, simulados e simulados “sob medida”.

COMO FUNCIONA: A plataforma atua como interface de estudo autônomo (sem painel de professor) e integra três componentes: (1) uma base com questões validadas e alinhadas ao padrão da DVSA, (2) um banco de dados com o histórico do usuário (respostas, notas e estatísticas por tópico) e (3) um LLM acessado via Google Cloud. Quando o estudante solicita um teste, o sistema pode recuperar itens existentes ou gerar novas questões via prompt engineering; para reduzir alucinações e aumentar aderência ao contexto, usa uma estratégia de retrieval-augmented generation (RAG) que injeta dados do usuário e referências da base na geração. Ao final, o sistema devolve explicações por questão e um feedback geral que sintetiza pontos fracos e próximos passos, além de atualizar indicadores de progresso e produzir testes futuros com maior peso em tópicos de baixo desempenho.

PRINCIPAIS RESULTADOS: Na avaliação de geração de questões, 100 itens foram analisados por um modelo mais avançado (Gemini-2.0-Pro-Exp-02–05) e por um grupo de oito avaliadores com experiência recente no exame. Em precisão das respostas, as avaliações foram majoritariamente “strong yes” (modelo: 98/100; especialistas: 94/100), e a relevância ao tópico também foi alta, ainda que mais crítica entre especialistas (modelo: 70/100 “strong yes”; especialistas: 58/100). O estudo também encontrou forte correlação entre julgamentos de modelo e especialistas para precisão e relevância (Pearson 0,96 e 0,99), mas pouca concordância para diversidade/originalidade, com o modelo tendendo a superestimar o quão diferentes eram as questões (diversidade média: 2,95 no modelo vs. 2,48 em especialistas, numa escala de 1 a 5). Para feedback, 50 devolutivas por questão e 50 devolutivas gerais foram classificadas como majoritariamente precisas, úteis e personalizadas, com 98–99% de avaliações positivas em rubricas que incluem clareza, orientação e incentivo, e com quedas previsíveis de “positividade” quando o desempenho do usuário era muito baixo (por exemplo, nota zero).

INSIGHT CENTRAL: O diferencial conceitual do sistema é tratar avaliação e feedback como um processo “com memória”: em vez de um ciclo único de pergunta-resposta-explicação, a plataforma incorpora o histórico do estudante para decidir o que perguntar depois e como orientar, aproximando a lógica de um diagnóstico contínuo. Essa escolha mira um problema recorrente em ferramentas de IA na educação: chatbots e corretores podem até responder bem no momento, mas frequentemente não acumulam evidência pedagógica ao longo do tempo para sustentar personalização consistente e mensurável.

POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para aprendizagem, o estudo reforça que IA generativa pode ser mais do que “tirar dúvidas”: ela pode sustentar rotinas de prática deliberada com testes adaptativos, especialmente em domínios de conhecimento estruturado e avaliados por múltipla escolha, onde o valor está em repetição inteligente e feedback imediato. Para o trabalho docente e institucional, a implicação é dupla: por um lado, plataformas autônomas podem atender contextos sem instrutor (como preparação auto-organizada para certificações), aliviando gargalos de acompanhamento; por outro, a pesquisa sugere que a qualidade do feedback e a segurança do conteúdo dependem de desenho cuidadoso (RAG, rubricas de avaliação, controle de ambiguidade), algo diretamente transferível para escolas e universidades que buscam automatizar avaliações formativas. Em termos de equidade, o potencial é ampliar acesso a estudo personalizado fora da sala de aula, mas a dependência de infraestrutura, custos de modelos e diferenças de letramento digital podem reforçar desigualdades se não houver estratégias de implementação inclusivas.

SIM, MAS…: O próprio estudo reconhece limites importantes: a validação é restrita, em um domínio estreito e predominantemente de “recordação e compreensão”, com pouco teste em larga escala e sem evidência longitudinal de ganhos reais no desempenho do exame ou de retenção. Há também um alerta pedagógico: o mecanismo de adaptação parece reproduzir bem uma lógica matemática de “dar mais questões onde a nota é menor”, mas se afasta do julgamento humano quando entram relações entre tópicos e criticidade (por exemplo, priorizar certos conteúdos por risco, mesmo com desempenho apenas mediano). Isso aponta para um risco maior em avaliações adaptativas baseadas só em histórico de acertos/erros: elas podem otimizar para pontuação, mas não necessariamente para segurança, compreensão integrada ou tomada de decisão em situações reais.

O QUE VEM DEPOIS: A agenda proposta envolve estudos mais longos e em maior escala, além de algoritmos de adaptação “mais semânticos”, capazes de mapear relações entre tópicos e incorporar regras do domínio para priorizações contextualizadas. Entre caminhos de produto e política institucional, o trabalho sugere explorar modelos híbridos, incluindo interfaces para instrutores revisarem conteúdo sinalizado e ajustarem ênfases, e evoluir a experiência para multimodalidade e gamificação com o cuidado de não transformar motivação em pressão ou superficialidade. Na prática, a mensagem para gestores e designers educacionais é que a IA generativa já consegue sustentar avaliação e feedback com qualidade percebida, mas personalização robusta exige governança de conteúdo, métricas adequadas e validação contínua antes de ser adotada como infraestrutura de aprendizagem.

Fonte: Generative AI-enabled adaptive learning platform: How I can help you pass your driving test?