Knowledge Tracing Indutivo de próxima geração.
Powered by LLM + Grafos Heterogêneos.
Um em cada três alunos abandona o curso online antes de concluir. Falta de engajamento é a principal causa.
Provas tradicionais testam se o aluno memorizou, não se realmente compreende os conceitos fundamentais.
Todos recebem o mesmo conteúdo, no mesmo ritmo. O aluno avançado se entedia. O que luta fica para trás.
A raiz do problema é técnica: plataformas não sabem o que o aluno sabe de verdade
A prova dá uma nota. Mas a nota não conta a história — ela esconde tudo que importa para o professor entender onde intervir.
Um aluno pode decorar a fórmula e acertar na prova — sem entender o conceito. Na semana seguinte, esqueceu tudo.
Dificuldade em Frações vai comprometer Decimais e Porcentagem — mas a nota 7,0 não mostra isso.
O problema existe há semanas. O professor só descobre na prova — quando já é difícil reverter.
🎯 Consequência: o professor que só vê a nota trata os dois da mesma forma — e perde o momento de intervir.
Com 30 alunos por turma, o professor conhece o rosto — mas não o nível real de cada um
Sabe quem é tímido, quem é agitado — mas não sabe em qual conceito cada um travou
Avaliação uma vez por bimestre — a lacuna existe semanas antes de ser descoberta
Conclusão: Proximidade física não equivale a diagnóstico pedagógico profundo.
Sem presença física, o único dado é a nota da prova
Todos recebem exatamente o mesmo conteúdo, no mesmo ritmo
32% abandonam antes de concluir o primeiro módulo — sem que ninguém consiga intervir
Resultado: Evasão, frustração e personalização feita no escuro.
Diagnóstico contínuo, conceito a conceito, após cada resposta
Identifica a raiz da dificuldade antes que ela vire evasão
Professor recebe painel analítico completo — age onde mais importa
Resultado: O professor de 1 aluno — escalado para todos.
Por que a avaliação tradicional falha — e por que o EAD tornou isso ainda pior
Um aluno pode tirar 7,0 decorando a fórmula sem entender o conceito. Na semana seguinte, esqueceu tudo. A nota diz "passou" — mas o aluno não aprendeu.
O sistema dá a mesma trilha para todos. Sem dados granulares sobre cada aluno, não há como personalizar — todo mundo recebe o mesmo conteúdo, no mesmo ritmo.
A plataforma trata cada questão como algo isolado — não sabe que quem não entende "frações" vai ter dificuldade em "porcentagem".
Dado o histórico de respostas de um aluno, estimar a probabilidade de ele acertar a próxima questão.
Cada nova resposta atualiza o estado de conhecimento do aluno em tempo real. O modelo aprende com cada interação.
Assim como um GPS recalcula a rota a cada esquina, o KT recalcula o mapa de conhecimento a cada resposta.
Como a IA de ponta aprende a entender o que cada aluno realmente sabe
Structure-Aware INductive Knowledge Tracing
Consegue prever respostas para questões nunca vistas durante o treino. Modelos transductivos (DKT, SAKT, AKT) simplesmente falham nesse cenário.
Uma IA analisa os enunciados e cria automaticamente um grafo de relações entre conceitos e questões — capturando pré-requisitos e conexões semânticas.
Em vez de IDs numéricos, o modelo lê o texto real dos enunciados. "Calcule 3/4 + 1/2" é semanticamente diferente de "Simplifique 6/8" — o SINKT entende isso.
Supera 12 baselines de KT incluindo DKT, SAKT, AKT, SAINT e outros — em cenários transductivos e indutivos.
Avaliado em 4 plataformas de ensino reais com milhares de alunos. Superou os melhores modelos acadêmicos da área — não é teoria, é performance comprovada.
Quando o professor adiciona uma questão nova ao banco, o SINKT consegue avaliar o aluno nela imediatamente. Nenhum outro modelo de KT faz isso.
Lê o enunciado como texto, não como número. Sabe que "Calcule 3/4 + 1/2" envolve frações — e usa isso para prever o desempenho do aluno com muito mais precisão.
→ roxo sólido = pré-requisito direto · → tracejado claro = pré-requisito indireto · → azul = questão avalia conceito
O SINKT recebe os conteúdos do curso: os conceitos que serão ensinados e as questões do banco — em texto, sem configuração manual.
A IA identifica automaticamente as dependências pedagógicas: que conceitos são pré-requisitos de outros e quais questões avaliam cada conceito.
O resultado é um mapa completo: quais conceitos dependem de outros, e quais questões avaliam cada conceito. Como um currículo inteligente.
O grafo captura que um aluno que domina Adição tem base para Frações. Sem isso, o modelo trata cada questão como ilha isolada.
14 anos · 8º ano
Frações é o gargalo. O grafo mostra que é pré-requisito de Decimais e Porcentagem. Resolver Frações desbloqueia toda a cadeia de aprendizagem.
No slide anterior, Maria tinha 31% de domínio em Frações. O SINKT usou isso para calcular que ela teria dificuldade — antes mesmo de ela responder.
O SINKT aumentaria ligeiramente o domínio — um acerto isolado pode ser chute. Acertos consistentes atualizam com mais peso.
O SINKT analisa o histórico de Maria e estima a probabilidade de ela acertar cada questão. Esse número é usado pelo sistema para decidir o que mostrar a ela a seguir.
O grafo revela: Maria domina "partes de um todo" (adição de frações) mas confunde com "complemento" (subtração). O erro é estrutural, não de memória.
Se esta fosse uma questão nova no banco, SINKT ainda conseguiria fazer a previsão — usando o texto do enunciado e o grafo. Modelos tradicionais falhariam.
Após o erro, o Student State Encoder atualiza o vetor de domínio de Maria em Frações:
O modelo não só registra o erro — entende qual conceito foi afetado e propaga pelo grafo.
Como Frações é pré-requisito de Decimais e Porcentagem, o SINKT também revisa a estimativa de domínio nesses conceitos dependentes — mesmo sem novas perguntas sobre eles.
Dashboard do professor recebe alerta em tempo real: "Maria — dificuldade estrutural em operações com frações. Sugestão: atividade em dupla com João (domínio: 87%)."
Update do estado de conhecimento, propagação no grafo, geração do plano adaptativo e alerta ao professor — tudo acontece automaticamente a cada resposta.
Cada resposta de cada aluno alimenta o modelo — ele aprende padrões de aprendizagem coletivos.
Um aluno novo se beneficia do conhecimento de todos os anteriores — previsões mais precisas desde o primeiro acesso.
Nova questão adicionada ao banco? O SINKT já consegue avaliá-la sem precisar de histórico — usando o texto e o grafo de conceitos.
Dashboard analítico com IA, integração com qualquer LMS e escala sem esforço
O Jedai SINKT é um SaaS — você não precisa construir nada do zero, hospedar modelos de IA ou contratar uma equipe técnica especializada. Assina, conecta e usa.
Moodle, Canvas, Blackboard, Brightspace ou qualquer plataforma com API aberta. O Jedai SINKT conversa com o sistema que você já tem — sem substituir, sem migrar.
Instalação rápida, sem configuração complexa. O dashboard do professor aparece direto no Moodle. Os alunos nem percebem — a experiência deles não muda nada.
Tudo que funciona hoje continua funcionando. O Jedai SINKT é uma camada de inteligência que se adiciona por cima — não substitui o que já existe.
Domínio em Frações: 38%. Padrão de erro: confunde subtração com adição de frações. Lacuna raiz em Números Racionais. Risco de evasão em 2 semanas: 68%.
9 de 32 alunos têm dificuldade na transição Frações → Decimais. O agente detectou que o problema é sistemático, não individual.
Próxima aula — Porcentagem: 23 prontos, 9 precisam nivelar. Exercícios personalizados já gerados pelo agente.
Jedai SINKT traz o state-of-the-art da pesquisa acadêmica (CIKM 2024) para a sua plataforma de ensino — com integração em dias, não meses.
Sem compromisso · Setup em 48h · Suporte em português