Dados para ensino individualizado: por que o apoio ao professor importa

A individualização do ensino baseada em dados ganhou espaço em pesquisas recentes sobre dificuldades de aprendizagem, com estudos que investigam desde acompanhamento profissional para professores até recomendações digitais de exercícios. Para quem está diante de uma turma diversa, a questão aparece de forma muito concreta: como perceber quem precisa de outro tipo de explicação, decidir o que ajustar e saber se a mudança ajudou?

As pesquisas reunidas aqui não oferecem uma fórmula única, mas apontam uma direção: coletar resultados não basta. É preciso interpretar evidências do trabalho dos estudantes, tomar decisões pedagógicas e contar com condições de implementação e apoio ao professor. Também há resultados diferentes conforme a medida usada e o tipo de intervenção, um lembrete importante para não transformar qualquer número em diagnóstico ou receita.

O que é o uso de dados para ensino individualizado de alunos com dificuldades de aprendizagem e por que importa para o professor?

É um processo de usar evidências do desempenho e do progresso de cada estudante para decidir como ensinar, que apoio oferecer e se é hora de ajustar a intervenção. Na rotina, isso pode envolver observar respostas em atividades, avaliações formativas e medidas repetidas de progresso, em vez de depender apenas de uma nota final. A decisão continua sendo pedagógica: os dados ajudam a enxergar padrões, mas não substituem o conhecimento do professor sobre a turma.

Um referencial presente em vários estudos é a individualização baseada em dados, ou IBD/DBI. Em uma intervenção, o educador acompanha o progresso e usa informação diagnóstica para orientar adaptações. Powell e colegas descrevem esse uso no contexto de intervenções em matemática e de um modelo de apoio em múltiplos níveis: o monitoramento e os dados diagnósticos ajudam a escolher e ajustar práticas ao longo do tempo (Powell, 2024).

Isso importa porque alunos com dificuldades podem não responder da mesma maneira ao mesmo formato de explicação ou prática. Um registro de erros, por exemplo, pode ajudar a formular uma pergunta mais precisa: a dificuldade está em compreender o conceito, em executar uma etapa ou em manter a estratégia? Essa leitura não deve virar rótulo sobre o estudante. Serve para planejar o próximo passo e observar o que acontece depois.

O que a pesquisa recente mostra sobre individualização baseada em dados?

A pesquisa recente combina sínteses quantitativas, estudos de intervenção e trabalhos qualitativos. Alguns investigam o efeito do apoio ao professor e os resultados dos alunos; outros se concentram em como medir progresso, adaptar aulas de matemática ou empregar sistemas digitais. Em conjunto, ajudam a distinguir três partes do processo: evidência sobre a aprendizagem, decisão instrucional e condições para colocar a decisão em prática.

O dado ganha força quando vem acompanhado de apoio ao professor

Uma metanálise e síntese de 26 estudos examinou apoio contínuo ao desenvolvimento profissional para a individualização baseada em dados. Dezesseis estudos analisaram resultados para professores e 22, para estudantes com dificuldades acadêmicas, da pré-escola ao 12º ano. Os autores relatam efeitos médios positivos associados à DBI com apoio continuado: g = 0,86 para resultados dos professores e g = 0,31 para resultados dos estudantes. Também identificaram variação considerável entre os estudos e não encontraram moderadores dos efeitos da intervenção (Shanahan, 2025).

O resultado não significa que qualquer formação breve produza o mesmo efeito. A síntese encontrou, em análises descritivas, efeitos maiores em subgrupos nos quais o apoio se voltava a mudanças na prática instrucional baseadas em dados ou incluía resolução colaborativa de problemas. Os autores destacam a importância de apoiar a mudança da prática, descrever melhor as estratégias de apoio e desenvolver recursos tecnológicos. Para a escola, a ideia central é que formação e acompanhamento são parte do trabalho de implementação, não um complemento dispensável.

Um ensaio de eficácia sobre escrita inicial examinou uma formação abrangente, com ferramentas, formação e acompanhamento durante 20 semanas. Participaram 154 professores distribuídos entre intervenção e controle, e os estudantes receberam DBI em escrita inicial ou ensino habitual, conforme o grupo. Os professores da intervenção tiveram desempenho superior em conhecimentos e habilidades de DBI e em autoeficácia para ensinar escrita; os estudantes também tiveram resultados superiores em medidas de escrita proximais e distais, com efeitos menores que os observados para os professores. As características analisadas dos estudantes não moderaram os efeitos (McMaster, 2025).

Esse estudo se refere a necessidades intensivas de aprendizagem da escrita inicial e a professores, em sua maioria, de educação especial ou especialistas em intervenção. Não prova que a mesma configuração, duração ou resultado se repetirá em qualquer turma brasileira. Ainda assim, sustenta uma conclusão prática delimitada: quando se espera que o professor use evidências para ajustar o ensino, oferecer ferramentas e acompanhamento pode fazer parte da própria intervenção.

Monitorar progresso exige medidas que respondam à habilidade ensinada

Um estudo com estudantes dos anos finais do ensino fundamental nos Estados Unidos investigou medidas de monitoramento ligadas à prontidão para álgebra, no contexto de desenvolvimento profissional em DBI. O grupo analisado reuniu 82 estudantes com dificuldades de aprendizagem em matemática, acompanhados por medidas semanais durante 12 a 15 semanas. Foram examinadas três áreas: discriminação de quantidades, propriedades dos números e raciocínio proporcional (Hwang, 2025).

Entre essas medidas, somente o raciocínio proporcional apresentou aumento significativo das médias ao longo do tempo. Os autores consideram que essa medida foi sensível ao crescimento nesse contexto e apontam a necessidade de apoios pedagógicos mais direcionados e medidas de monitoramento aprimoradas. O achado é útil justamente por não autorizar uma conclusão simplista: acompanhar várias habilidades não garante que todas mostrem crescimento detectável no mesmo período.

Na prática, a medida precisa combinar com o objetivo de ensino e ser interpretável para uma decisão. Se a turma está trabalhando uma estratégia específica, uma avaliação ampla feita muito raramente talvez não mostre o que mudou naquela aprendizagem. Uma sequência de verificações curtas pode oferecer pistas, desde que o professor considere o que cada tarefa de fato mede. Essa sugestão de aplicação é coerente com o valor atribuído ao monitoramento, mas não é um protocolo testado por esse estudo.

Adaptação não é apenas oferecer uma tarefa mais fácil

Uma pesquisa qualitativa com 36 professores portugueses da educação infantil ao ensino fundamental II explorou práticas de ensino diferenciado autorrelatadas em salas com diferentes níveis de habilidade. As práticas descritas variavam: algumas se dirigiam a um grupo com baixo desempenho ou necessidades educacionais especiais; outras buscavam construir comunidades de aprendizagem. A maioria, porém, retratava diferenciação como oferecer a mesma atividade à maioria e uma quantidade menor ou uma atividade mais fácil a quem tinha dificuldades (Gaitas, 2024).

O estudo não avaliou qual prática produziu maior aprendizagem. Seu alerta é sobre a própria definição de ensino diferenciado: o rótulo pode reunir ações bem distintas. Para individualizar com base em dados, vale perguntar se a adaptação responde a uma necessidade identificada ou se apenas reduz a demanda sem esclarecer o que o aluno precisa aprender. A intenção não é retirar desafio, mas ajustar apoio, representação, sequência ou oportunidade de prática de modo deliberado.

Outra pesquisa, feita com sete professores noruegueses do ensino fundamental, investigou como adaptavam o ensino de matemática. Os docentes destacaram segurança emocional, estrutura e relações positivas, além de estratégias como ensino diferenciado, avaliação formativa e ferramentas digitais. Também relataram limites sistêmicos: falta de tempo, número insuficiente de profissionais e escassez de recursos especializados (Bergstrand, 2026).

Como se trata de entrevistas e de um grupo pequeno em contexto norueguês, o estudo descreve experiências e percepções, não mede o efeito de cada estratégia. Ainda assim, amplia a conversa: decisão baseada em dados ocorre dentro de relações e condições organizacionais. Uma evidência sobre dificuldade pode ser mais útil quando o estudante se sente seguro para tentar, e uma adaptação bem planejada pode esbarrar na falta de tempo para acompanhá-la.

Ferramentas digitais podem personalizar, mas não eliminam a decisão pedagógica

Um estudo de 2026 apresenta um método de recomendação de exercícios que usa informações sobre o estudante e seu desempenho anterior para selecionar, a cada etapa, um exercício com maior probabilidade de desenvolver uma habilidade-alvo. Com dados de uma plataforma online de tutoria em matemática, os autores relatam que a abordagem recomendou exercícios associados a maior melhoria estimada de habilidade e se adaptou a diferenças entre estudantes. O trabalho também sugere que sistemas desse tipo podem ajudar a identificar quem talvez precise de apoio adicional (Kerpel, 2026).

Esse resultado pertence a uma plataforma de tutoria em matemática e não equivale a uma demonstração de que um algoritmo, sozinho, pode substituir a avaliação do professor. É um exemplo de como dados de desempenho podem orientar a próxima atividade em ambientes digitais. Na escola, a utilidade dependeria de saber o que o sistema registra, como define progresso e se as recomendações fazem sentido para o objetivo pedagógico e para o contexto do aluno.

Uma revisão sobre inteligência artificial em sistemas de apoio multinível discute aplicações emergentes para apoiar ensino diferenciado e decisões educacionais. O texto situa a IA dentro de uma estrutura preventiva que usa dados para planejar intervenções e aprimorar o ensino, ao mesmo tempo que aborda desafios de implementação (Ahmed, 2025). Como se trata de uma discussão da literatura e de práticas emergentes, não deve ser lida como prova de que uma ferramenta específica melhora resultados em qualquer escola.

Um relatório avaliou uma tutoria virtual individual de alfabetização inicial, orientada por dados, em Massachusetts, nos Estados Unidos. A avaliação do ano letivo de 2024–25 analisou 1.872 estudantes do primeiro ano participantes do programa, além de um subconjunto de pares tutorados e de comparação, e incluiu acompanhamento de estudantes que haviam deixado o programa após o primeiro ano. O resumo descreve o desenho e os grupos analisados, sem apresentar resultados de impacto; portanto, este estudo ajuda a entender o tipo de intervenção investigada, mas não permite afirmar aqui se ela foi eficaz (Neitzel, 2026).

Os estudos lado a lado: o que cada pesquisa investigou?

Os estudos diferem em pergunta e método: há sínteses de evidências, ensaios de eficácia, entrevistas, análises de crescimento e propostas de tecnologia. A tabela resume o que os resumos relatam, sem tratar os resultados como diretamente comparáveis.

Quais pontos em comum e divergências aparecem entre os estudos?

O ponto comum mais claro é que adaptar o ensino é um ciclo, não uma decisão tomada uma única vez. Os estudos de DBI relacionam monitoramento, interpretação e ajustes; os trabalhos sobre diferenciação mostram que o nome da prática, por si só, não garante que ela responda à necessidade real. A avaliação formativa aparece como uma das ferramentas usadas por professores, enquanto a síntese de desenvolvimento profissional destaca que apoiar a mudança instrucional é parte importante da implementação.

Há também convergência na ideia de que o professor precisa de condições para agir. A metanálise relata efeitos positivos de DBI com apoio continuado; o ensaio de escrita oferece formação, ferramentas e acompanhamento; e os professores noruegueses apontam falta de tempo e de recursos especializados como obstáculos percebidos. Esses achados vêm de métodos e contextos diferentes, mas juntos mostram que não basta pedir ao docente que use dados sem oferecer oportunidades de formação, tempo e colaboração.

As diferenças são igualmente importantes. Na síntese, os efeitos médios para professores foram maiores que os efeitos médios para estudantes, mas não se deve comparar esses números como se fossem a mesma medida. No estudo de matemática de Hwang, apenas uma das três medidas apresentou crescimento significativo. Já a pesquisa de Gaitas descreve práticas percebidas, sem testar seus efeitos, e o resumo de Neitzel descreve uma avaliação sem apresentar resultados. Cada tipo de estudo responde a perguntas diferentes.

Também não está resolvido qual frequência de monitoramento é adequada para cada objetivo, quais adaptações funcionam melhor para perfis distintos e que recursos são viáveis em escolas com turmas grandes. Os resumos não permitem estabelecer uma sequência universal de intervenção nem afirmar que uma plataforma digital seja melhor do que o julgamento docente. A resposta responsável, por enquanto, é usar dados como evidência para decisões revisáveis, não como uma instrução automática.

O que isso significa para a sala de aula?

Os estudos não prescrevem um roteiro único para toda escola. As propostas abaixo são aplicações possíveis para transformar as ideias de monitoramento, adaptação e apoio em ações de sala de aula; devem ser ajustadas à etapa, ao objetivo e às condições reais do grupo.

1. Comece por uma pergunta de aprendizagem, não por uma planilha

Como aplicação, antes de recolher dados, defina qual dúvida pedagógica você quer esclarecer: quem ainda confunde duas etapas? Quem consegue explicar a estratégia, mas erra ao aplicá-la? Imagine uma turma em que alguns estudantes acertam exercícios com apoio visual, mas não transferem a ideia para um problema novo. Comparar as duas situações ajuda a decidir o que observar. Esse foco reduz o risco de acumular notas sem saber que decisão elas poderiam orientar.

2. Use verificações curtas ligadas ao conteúdo ensinado

Como aplicação, inclua pequenas tarefas de verificação ao longo do ensino, escolhidas para observar a habilidade em foco. Em uma sequência de matemática, por exemplo, o professor pode propor um item de estimativa e outro que peça justificar uma estratégia, em vez de usar apenas a quantidade de respostas corretas. A pesquisa de Hwang ressalta que as medidas não respondem todas da mesma forma ao crescimento; por isso, convém olhar se a tarefa é sensível ao objetivo que se pretende acompanhar.

3. Registre padrões de resposta, não apenas acertos e erros

Como aplicação, anote que tipo de erro reaparece, que apoio o estudante usou e em que momento conseguiu avançar. Imagine uma atividade de escrita inicial em que um aluno começa a produzir mais quando recebe um modelo oral, mas ainda precisa de ajuda para organizar os sons. Esse registro pode orientar uma hipótese de ensino para a aula seguinte. Não é necessário transformar a observação em diagnóstico clínico: é uma descrição pedagógica do que ocorreu em uma tarefa.

4. Faça uma adaptação com hipótese e prazo para rever

Como aplicação, ao mudar a explicação, o nível de apoio ou a forma de praticar, explicite o que espera observar e quando vai rever a decisão. Por exemplo: “vou modelar uma etapa, oferecer duas tentativas guiadas e verificar depois se o aluno consegue iniciar sozinho”. Isso mantém a adaptação conectada ao progresso. Evita que uma atividade simplificada vire uma acomodação permanente sem avaliação do que o estudante aprendeu ou do próximo desafio possível.

5. Diferencie o caminho sem abandonar o objetivo

Como aplicação, ofereça apoios diferentes para chegar a uma aprendizagem compartilhada: instrução em passos, exemplo resolvido, tempo de prática adicional ou uma representação alternativa. Imagine que vários alunos trabalhem o mesmo conceito, mas alguns tenham uma etapa de exploração guiada antes de resolver a tarefa sem ajuda. O estudo português alerta que diferenciação pode acabar reduzida a dar menos itens ou tarefas mais fáceis. Pergunte se a mudança oferece acesso ao conteúdo ou apenas diminui a oportunidade de aprender.

6. Converse com colegas para interpretar evidências

Como aplicação, reserve um momento de planejamento colaborativo para olhar produções anonimizadas ou resultados de tarefas e comparar interpretações. Um colega pode perceber que uma resposta considerada distração também aparece quando a instrução tem várias etapas; outro pode sugerir uma forma de verificar essa hipótese. A metanálise identificou, descritivamente, efeitos maiores em subgrupos com apoio que incluía resolução colaborativa de problemas. Isso não garante o mesmo resultado em qualquer escola, mas torna a colaboração uma possibilidade coerente para apoiar decisões.

7. Avalie ferramentas digitais com critérios pedagógicos

Como aplicação, antes de usar uma recomendação automática de exercícios, confira se a ferramenta informa o que considera progresso, se as atividades correspondem ao objetivo e como o professor pode rever a recomendação. Num cenário hipotético, um sistema sugere mais exercícios de uma habilidade, mas o aluno já demonstra domínio em tarefas abertas; a observação docente precisa entrar na decisão. A pesquisa sobre recomendação digital oferece um exemplo de personalização em plataforma, não uma autorização para delegar o julgamento pedagógico ao algoritmo.

8. Planeje a viabilidade antes de ampliar o acompanhamento

Como aplicação, escolha um conjunto pequeno de dados que a equipe consiga acompanhar com regularidade, em vez de criar um processo que dependa de registros diários impossíveis de manter. Pense em uma turma numerosa: uma atividade diagnóstica breve e uma conversa semanal entre docentes podem ser mais sustentáveis do que múltiplos formulários. As barreiras de tempo e de recursos relatadas por professores noruegueses lembram que a qualidade da decisão depende também da organização escolar. Uma rotina simples e revisável pode ser mais útil do que um sistema ambicioso sem condições de continuidade.

O que muda no contexto brasileiro?

Os estudos não foram conduzidos em um único sistema educacional brasileiro; vários citados tratam de contextos dos Estados Unidos, Noruega e Portugal, enquanto outros resumos não especificam o país. Portanto, não é adequado transportar diretamente programas, medidas ou condições institucionais para uma escola daqui. O que pode ser aproveitado são perguntas de trabalho: que evidência temos, que adaptação ela justifica, como acompanharemos o resultado e que apoio o professor precisa?

As referências a sistemas de apoio multinível e a iniciativas financiadas ou organizadas em outros países descrevem estruturas próprias. No Brasil, cada rede e escola tem suas formas de organizar avaliação, atendimento e planejamento, além de recursos e tempos distintos. A aplicação precisa considerar o currículo em uso, a etapa, a acessibilidade das atividades, o tamanho da turma e a colaboração disponível. Essas são considerações para adaptação local, não resultados medidos pelos estudos apresentados.

Também é importante não tratar uma dificuldade observada em uma atividade como característica fixa do aluno. Dados podem refletir familiaridade com o formato, clareza da instrução, oportunidade de praticar e condições do dia. Uma avaliação formativa deve abrir uma hipótese de ensino a ser verificada, e não fechar uma conclusão sobre a capacidade da criança ou do adolescente. Quando surgirem preocupações persistentes, a escola pode articular os apoios pedagógicos e profissionais disponíveis em seu contexto, respeitando os procedimentos locais.

Por fim, a tecnologia pode ser útil, mas não é condição para começar a acompanhar o progresso. Os estudos discutem ferramentas digitais e IA, mas também apontam o papel da formação, da colaboração e da decisão docente. Uma escola pode começar com tarefas curtas, critérios compartilhados e registros manejáveis; o essencial é que os dados ajudem a escolher uma ação e que a equipe tenha como observar se ela fez diferença.

Quais são os limites desta leitura?

Este artigo se baseia nos resumos de estudos recentes disponibilizados pelo ERIC, não na leitura integral dos trabalhos. Os resumos permitem identificar perguntas, contextos e resultados principais, mas não oferecem todos os detalhes necessários para avaliar instrumentos, procedimentos, características completas das amostras ou condições de implementação.

Ficam em aberto perguntas práticas: que frequência de monitoramento é sustentável em diferentes etapas? Que adaptações são mais adequadas para cada perfil e conteúdo? Como os resultados se mantêm em contextos escolares distintos? E quais recursos digitais oferecem informação transparente e útil para o professor? Os trabalhos também não permitem concluir que uma estratégia isolada seja eficaz em toda situação.

Faria sentido consultar o estudo completo antes de adotar um programa, comparar medidas específicas, reproduzir uma intervenção ou tomar decisões de gestão e formação. No caso de Neitzel, por exemplo, o resumo descreve a avaliação, mas não traz seus resultados de impacto. Já os estudos qualitativos ajudam a compreender experiências, não a estimar efeitos causais. Manter essas diferenças à vista é parte de uma leitura cuidadosa da pesquisa.

Como o GeraProva ajuda com este assunto?

Uma avaliação bem planejada pode ajudar a identificar o que os estudantes já conseguem fazer e que pontos merecem retomada, desde que seus resultados sejam interpretados junto com outras evidências do trabalho em aula. O gerador de provas do GeraProva pode apoiar a criação de avaliações e atividades, mas não substitui a análise do professor nem define sozinho a adaptação adequada. Você pode conhecer a plataforma e fazer o cadastro grátis para explorar os recursos disponíveis.

Perguntas frequentes sobre dados e ensino individualizado

Que dados posso usar para adaptar o ensino a um aluno com dificuldade?

Comece por evidências ligadas ao objetivo que está ensinando: respostas em atividades, tipos de erro, explicações do estudante e mudanças observadas em verificações sucessivas. A individualização baseada em dados usa monitoramento e informação diagnóstica para orientar decisões, como descrevem Powell e colegas no contexto de matemática (Powell, 2024). Os estudos não indicam um conjunto universal de dados para todas as disciplinas. Como aplicação, escolha registros que ajudem a responder uma pergunta pedagógica concreta e combine a informação com sua observação do aluno, sem transformar um resultado isolado em rótulo.

Com que frequência devo monitorar o progresso?

Os resumos não estabelecem uma frequência que sirva para todos os casos. Um estudo acompanhou semanalmente estudantes ao longo de 12 a 15 semanas em medidas de prontidão para álgebra, mas apenas uma das três medidas apresentou crescimento significativo (Hwang, 2025). Isso mostra a importância de alinhar a medida ao que se quer acompanhar, não que toda turma deva repetir a mesma rotina semanal. Como aplicação, defina uma frequência viável para o objetivo e use os resultados para decidir se mantém ou ajusta o ensino, em vez de coletar informação sem consequência pedagógica.

Ensino individualizado significa preparar uma atividade diferente para cada aluno?

Não necessariamente. Os estudos tratam de ajustes orientados pelo progresso e por necessidades identificadas, mas não defendem que cada estudante precise sempre de uma tarefa exclusiva. O estudo com professores portugueses encontrou práticas variadas e observou que muitas vezes a diferenciação era entendida como oferecer menos itens ou tarefas mais fáceis aos alunos com dificuldades (Gaitas, 2024). Como aplicação, você pode manter um objetivo comum e variar apoios, exemplos, agrupamentos ou tempo de prática. O ponto é verificar se a adaptação ajuda o estudante a acessar e avançar na aprendizagem.

Os dados podem dizer qual estratégia vai funcionar para cada aluno?

Os dados podem orientar uma hipótese e ajudar a acompanhar seus efeitos, mas os estudos não sustentam uma previsão infalível para cada estudante. Uma síntese encontrou efeitos médios positivos da DBI com apoio continuado, embora também tenha identificado variação entre estudos (Shanahan, 2025). Um sistema digital de matemática recomendou exercícios associados a maior melhoria estimada de habilidade em uma plataforma específica (Kerpel, 2026), mas isso não equivale a uma regra universal. Como aplicação, teste uma adaptação, observe a resposta e revise a decisão com base em evidências e julgamento profissional.

É preciso usar inteligência artificial para individualizar o ensino?

Não. A IA aparece nos estudos como uma possibilidade para apoiar decisões, personalizar atividades ou tornar certos processos mais eficientes, mas não como requisito para individualizar. O artigo sobre sistemas de apoio multinível discute aplicações e desafios da IA, sem avaliar uma única ferramenta como solução para todas as escolas (Ahmed, 2025). A recomendação de exercícios por plataforma é outro exemplo digital, em um contexto específico de tutoria matemática (Kerpel, 2026). Como aplicação, uma escola pode acompanhar progresso com atividades e registros simples, desde que consiga interpretá-los e usá-los para orientar o ensino.

O que fazer quando não vejo progresso depois de uma adaptação?

Um resultado sem mudança detectável é um motivo para revisar a medida, o objetivo, a estratégia e as condições em que a atividade foi realizada, não para concluir automaticamente que o estudante não consegue aprender. No estudo de Hwang, somente uma entre três medidas mostrou aumento significativo durante o período analisado (Hwang, 2025). Os autores destacam a necessidade de apoios direcionados e medidas aprimoradas. Como aplicação, converse com colegas, confira se a tarefa mede a habilidade pretendida e considere ajustar o apoio. Se a dificuldade persistir, articule os recursos pedagógicos e profissionais disponíveis na escola.

Referências

1. Shanahan, E., Choi, S., An, J., Casey-Wilke, B., Birinci, S., Roberts, C., & Reno, E. (2025). Apoio contínuo aos professores para a individualização baseada em dados: uma metanálise e síntese (Ongoing Teacher Support for Data-Based Individualization: A Meta-Analysis and Synthesis). Journal of Learning Disabilities. Link.
2. Hwang, J., Singell, E. L., & Lembke, E. S. (2025). Estimativa do Crescimento de Estudantes com Medidas de Monitoramento do Progresso em Prontidão para a Álgebra para Estudantes com Dificuldades de Aprendizagem em Matemática em um Contexto de Desenvolvimento Profissional em Individualização Baseada em Dados (Estimating Students' Growth with Algebra Readiness Progress Monitoring Measures for Students with Math Learning Difficulties within a Data-Based Individualization Professional Development Setting). Assessment for Effective Intervention. Link.
3. Kerpel, L. D., Thuy, A., & Benoit, D. F. (2026). Uma Abordagem Baseada em Bandidos para Sistemas de Recomendação Educacionais: Amostragem de Thompson Contextual para a Otimização do Ganho de Habilidades dos Estudantes (A Bandit-Based Approach to Educational Recommender Systems: Contextual Thompson Sampling for Learner Skill Gain Optimization). INFORMS Transactions on Education. Link.
4. Bergstrand, A. M. E., & Xenofontos, C. (2026). Adaptação do ensino de Matemática para estudantes com dificuldades de aprendizagem: experiências de professores noruegueses (Adapting Mathematics Teaching for Pupils with Learning Difficulties: Norwegian Teachers' Experiences). Journal of Pedagogical Research. Link.
5. Neitzel, A. J. (2026). Avaliação do Tutoria Virtual de Alfabetização Ignite Reading em Massachusetts: Achados Quantitativos do Segundo Ano, Ano Letivo de 2024-25 (Evaluation of Ignite Reading Virtual Literacy Tutoring in Massachusetts: Year 2 Quantitative Findings, School Year 2024-25). Center for Research and Reform in Education. Link.
6. McMaster, K. L., Lembke, E. S., Shanahan, E., Choi, S., An, J., Schatschneider, C., Duesenberg-Marshall, M. D., Birinci, S., McCollom, E., Garman, C., & Moore, K. (2025). Apoio à individualização do ensino da escrita inicial baseada em dados pelos professores: um estudo de eficácia (Supporting Teachers' Data-Based Individualization of Early Writing Instruction: An Efficacy Trial). Journal of Learning Disabilities. Link.
7. Ahmed, Y., Mesa, M. P., Zucker, T. A., Fumero, K., Clay, M., & Duran, S. O. (2025). O papel da inteligência artificial na modernização dos sistemas de apoio multinível (The Role of Artificial Intelligence in Modernizing Multi-Tiered Systems of Support). Theory Into Practice. Link.
8. Powell, S. R., Bos, S. E., King, S. G., Ketterlin-Geller, L., & Lembke, E. S. (2024). Utilizando o Framework de Individualização Baseada em Dados na Intervenção em Matemática (Using the Data-Based Individualization Framework in Math Intervention). TEACHING Exceptional Children. Link.
9. Gaitas, S., Carêto, C., Peixoto, F., & Castro Silva, J. (2024). Ensino Diferenciado: “Ser ou não ser, eis a questão” (Differentiated Instruction: 'To Be, or Not to Be, That Is the Question'). International Journal of Inclusive Education. Link.

Se quiser, escolha uma pergunta de aprendizagem que esteja aparecendo na sua turma e experimente acompanhá-la com uma evidência simples. Uma pequena decisão bem observada pode ser um bom próximo passo.