Um estudo publicado no International Journal of Mathematics in Operational Research propõe um modelo de decisão multicritério para identificar e ranquear ameaças à adoção de inteligência artificial na educação, usando um caso em uma universidade estadual nas Filipinas. A análise sugere que, antes de discutir “qual ferramenta” usar, gestores precisam enfrentar riscos ligados à desigualdade de acesso e à capacidade institucional de compreender, aplicar e avaliar IA com responsabilidade.
O QUE HÁ DE NOVO: O artigo apresenta um framework analítico para priorizar ameaças à implementação de IA na educação (AIEd) por meio do fuzzy best-worst method (BWM), uma técnica de apoio à decisão que transforma julgamentos qualitativos em pesos de prioridade. Para demonstrar o modelo, a autora aplicou o método em um estudo de caso na Cebu Technological University (CTU), uma das maiores universidades estaduais de Cebu, nas Filipinas, coletando avaliações de cinco especialistas/decisores e produzindo um ranking de dez ameaças frequentemente citadas na literatura de AIEd.
COMO FUNCIONA: O procedimento começa com a definição de um conjunto de ameaças (como lacunas de recursos, dados, integração pedagógica, ética e avaliação), adaptado de revisões anteriores sobre AIEd. Em seguida, os participantes escolhem qual ameaça consideram a “melhor” (mais crítica) e a “pior” (menos crítica) no contexto local e fazem comparações pareadas usando escalas linguísticas (de “igualmente importante” a “absolutamente importante”). Essas respostas são convertidas em números fuzzy (triangulares) para lidar com a subjetividade e, depois, o modelo calcula pesos ótimos e verifica a consistência das avaliações (via razão de consistência), chegando a um ranking agregado das prioridades de risco.
PRINCIPAIS RESULTADOS: No ranking consolidado, a ameaça mais prioritária foi “aumento da desigualdade entre estudantes devido à divisão digital”, seguida por “falta de conhecimento dos professores para usar tecnologias de IA”. Na sequência aparecem “insuficiência de pesquisa socioemocional sobre AIEd”, “ligação insuficiente entre tecnologias de IA e funções de ensino” e “perspectivas insuficientes de pesquisa em AIEd” (do ponto de vista educacional). O estudo também observa que ameaças relacionadas à escolha de tecnologias, seleção de dados para modelos preditivos e métodos de avaliação ficaram em posições intermediárias, sugerindo que, para aquele contexto, o gargalo inicial é mais de capacidade institucional e equidade do que de engenharia de modelos.
POR QUE ISSO IMPORTA PARA A EDUCAÇÃO: Para gestores e formuladores de estratégia, o trabalho reforça uma ideia prática: a adoção de IA tende a falhar quando começa pela ferramenta e não pelas condições de implementação. A presença do “digital divide” como principal ameaça indica que políticas de infraestrutura, acesso e suporte ao estudante podem ser tão determinantes quanto a qualidade do software. Já a prioridade dada à formação e ao domínio conceitual por parte de docentes e equipes aponta para um risco recorrente em AIEd: a tecnologia entra na instituição, mas não se traduz em mudanças sustentáveis de prática pedagógica, avaliação e acompanhamento da aprendizagem.
SIM, MAS…: Por se tratar de um estudo de caso em uma universidade específica e com um número reduzido de avaliadores, o ranking não deve ser interpretado como universal, e sim como um exemplo de como transformar percepções de risco em prioridades operacionais. Além disso, o conjunto de ameaças foi definido a partir da literatura e pode deixar de fora particularidades locais (por exemplo, regras internas, compras públicas, sistemas legados, acordos com fornecedores e requisitos de proteção de dados), o que pode alterar o ranqueamento quando o instrumento é replicado em outras redes e níveis de ensino.
O QUE VEM DEPOIS: O artigo sugere estender o modelo para comparar, lado a lado, ameaças e alternativas de tecnologias de IA, usando o ranking como ponto de partida para escolhas mais justificáveis. Também propõe analisar “oportunidades” (não apenas riscos) com o mesmo tipo de ponderação e testar outras abordagens analíticas, como modelos de otimização, para apoiar decisões de investimento e maximizar eficiência. Na prática, isso aponta para uma agenda de governança de AIEd em que diagnóstico de prontidão, formação docente, avaliação de impacto e medidas de redução de desigualdades avancem junto com a seleção de ferramentas.
Fonte: International Journal of Mathematics in Operational Research
