Ensino individualizado em matemática: diferenciar ajuda, mas não basta

Em matemática, alunos da mesma turma podem chegar à aula com conhecimentos, ritmos e sentimentos muito diferentes diante de um problema — e isso torna o ensino individualizado uma questão prática para quem precisa planejar para todos. O que significa individualizar sem transformar cada aula em uma aula particular? Que resultados as pesquisas recentes encontraram quando variaram apoio, atividades ou tecnologia? E como aproveitar esses achados sem tratar uma estratégia como solução universal?

A pesquisa disponível aponta caminhos promissores, mas também resultados que não caminham todos na mesma direção. Há estudos com ganhos associados à diferenciação e a problemas personalizados, enquanto outros investigam práticas cotidianas ou programas adaptativos sem encontrar benefícios iguais para todos os grupos. A ideia central, portanto, não é escolher entre ensinar para a turma ou para cada estudante: é entender o que se adapta, para quem, em que contexto e com que acompanhamento.

O que é ensino individualizado e desempenho em matemática e por que importa para o professor

Ensino individualizado é ajustar parte do ensino às necessidades de aprendizagem de cada estudante ou de grupos com necessidades semelhantes. Na rotina, isso pode significar oferecer apoios diferentes durante uma discussão, variar a dificuldade de uma atividade ou propor formas distintas de mostrar o que se aprendeu. Desempenho em matemática, por sua vez, é o resultado observado em tarefas ou avaliações matemáticas; ele pode envolver aspectos diferentes, como fluência aritmética, processamento numérico ou aprendizagem de geometria, conforme o estudo.

Individualizar não significa necessariamente preparar uma aula exclusiva para cada aluno. Pode envolver decisões sobre conteúdo, processo e produto: o que será estudado, como os estudantes trabalharão e que tipo de tarefa ou produção poderão realizar. Também pode envolver avaliação diagnóstica e acompanhamento, para que o professor perceba se o apoio oferecido está adequado ou precisa mudar. A personalização apoiada por tecnologia é uma modalidade possível, não uma definição completa do conceito.

O assunto aparece quando a turma avança em ritmos diferentes, quando uma atividade parece fácil para alguns e inacessível para outros, ou quando estudantes precisam de apoio adicional para participar. Para o professor, a pergunta relevante não é apenas “como separar níveis?”, mas como usar evidências da aprendizagem para ajustar o ensino sem reduzir expectativas, rotular estudantes ou perder de vista os objetivos compartilhados da turma.

O que a pesquisa recente mostra

Os estudos recentes não medem exatamente a mesma coisa nem testam uma única receita de individualização. Alguns avaliam diferenciação de tarefas, outros tecnologias adaptativas, perfis de emoções, formação docente ou métodos para planejar trajetórias personalizadas. Em conjunto, mostram possibilidades concretas e uma tensão importante: resultados positivos aparecem em certas intervenções, mas dependem da abordagem, dos estudantes e do contexto.

Diferenciar conteúdo, processo e produto pode vir acompanhado de ganhos

Um estudo com 65 estudantes do quinto ano investigou uma estratégia que variava três dimensões do ensino: o nível de apoio nas discussões em grupo, a dificuldade dos materiais e a natureza das tarefas realizadas pelos alunos. A comparação entre pré-teste e pós-teste apontou aumento significativo no desempenho matemático. Os autores interpretam o resultado como apoio à diferenciação de conteúdo, processo e produto, embora indiquem que pesquisas futuras devem ampliar a amostra, testar outros materiais e incluir o Ensino Médio (Rijal, 2025).

Esse resultado é útil porque descreve ações reconhecíveis na rotina escolar, em vez de tratar a individualização apenas como uso de uma plataforma. Ainda assim, ele não significa que qualquer variação de tarefa produza ganhos automaticamente. O estudo examinou uma estratégia específica com estudantes de quinto ano; não permite presumir que o mesmo efeito será igual em toda etapa, conteúdo ou turma.

Em salas de educação infantil da Virgínia, outro estudo observacional longitudinal investigou como múltiplas estratégias de diferenciação usadas por professores se relacionavam aos ganhos em matemática. A pesquisa envolveu 114 salas e 559 crianças, com avaliações no outono e na primavera, observações e questionários docentes. O resumo disponível descreve o objetivo e o desenho, mas não apresenta os resultados finais da análise. Por isso, é possível dizer que o estudo investigou práticas em contexto real, mas não atribuir a ele uma conclusão sobre ganhos ou ausência deles (Vitiello, 2025).

Diagnosticar necessidades ajuda a planejar, mas o diagnóstico também tem limites

Uma pesquisa de desenvolvimento elaborou um sistema de diagnóstico e tutoria personalizados baseado em inteligência artificial, com avaliação, trajetórias personalizadas, instrução adaptativa por domínio, feedback, monitoramento e ferramentas de engajamento. O sistema usou respostas de estudantes tailandeses do sétimo ano para identificar níveis de proficiência em dimensões ligadas a procedimentos matemáticos e a resultados de aprendizagem observados. Os autores relatam eficiência diagnóstica de moderada a forte, especialmente quando os níveis de proficiência eram claramente diferenciados; nos níveis intermediários, a sensibilidade foi menor (Junpeng, 2026).

O achado destaca uma distinção importante para a prática: identificar diferenças muito evidentes pode ser mais simples do que interpretar situações intermediárias. Um resultado de avaliação não deveria ser tratado como retrato definitivo do estudante. A própria pesquisa aponta a necessidade de dados mais ricos e de refinamento antes da implementação em larga escala. Para o professor, isso reforça o valor de combinar evidências, em vez de deixar uma única resposta ou pontuação decidir todo o percurso de aprendizagem.

Em outra investigação, métodos de regimes ótimos de tratamento foram estudados para criar planos personalizados de escolha de disciplinas de matemática para estudantes do nono ano, com dados do High School Longitudinal Study of 2009. O trabalho analisou, por simulação e aplicação a dados empíricos, como restrições de viabilidade podem evitar recomendações de opções que não estejam disponíveis ou sejam irrealistas para determinados estudantes. O resumo fornecido descreve o problema, os métodos e a aplicação, mas não traz a conclusão final sobre qual combinação de restrições teve melhor resultado (Li, 2025).

Essa pesquisa trata de decisões de percurso escolar, não de uma atividade individualizada dentro de uma aula. Sua contribuição para esta conversa é lembrar que personalizar não é apenas descobrir qual opção maximizaria um resultado em tese: a recomendação também precisa ser possível, acessível e apropriada à situação do estudante.

Tecnologia adaptativa: resultados positivos em alguns estudos, não em todos

Na Ucrânia, uma pesquisa com 150 estudantes do primeiro ao quarto ano avaliou tecnologias educacionais para aprendizagem personalizada. A análise de pré e pós-testes indicou ganhos de conhecimento significativamente maiores no grupo experimental, e os resultados motivacionais também foram positivos, com maior engajamento e confiança relatados. Os autores recomendam ampliar o acesso à tecnologia, oferecer formação docente e acompanhar continuamente as interações digitais (Zhenxiong, 2025).

Já um estudo com estudantes do oitavo ano avaliou um programa adaptativo online durante um ano letivo. Os alunos estavam, em média, quatro anos atrasados em matemática e usaram o i-Ready, que propunha aulas personalizadas a partir de avaliações diagnósticas. A diferença significativa entre as pontuações do início e do fim do ano apareceu apenas na turma Honors; o questionário de atitude em relação à matemática não mostrou diferença significativa entre o começo e o fim da intervenção (Ortega, 2025).

Os dois estudos não são uma comparação direta: diferem em etapa escolar, programa e desenho. Mesmo assim, lado a lado, ajudam a evitar uma conclusão apressada de que a tecnologia adaptativa funciona sempre ou de que basta disponibilizar uma plataforma. Os resultados dependem do que é avaliado e do contexto em que a ferramenta é usada. A tecnologia pode organizar percursos e feedback, mas o professor continua precisando interpretar o que o estudante faz e decidir o próximo passo.

Uma terceira pesquisa estudou problemas de matemática contextualizados e personalizados, gerados com tecnologia, para aprendizagem de geometria. Em um quase-experimento com 52 estudantes, o grupo que aprendeu com problemas contextualizados e personalizados apresentou melhor desempenho do que o grupo que estudou sem essa contextualização e personalização. A compreensão do cenário prático e a identificação de informações relevantes também contribuíram para o desempenho, e os estudantes tiveram percepções positivas sobre o sistema (Utami, 2024).

Esse achado aponta para uma dimensão da personalização que não se resume a ajustar a dificuldade: aproximar o problema de contextos autênticos também pode fazer parte da proposta. A pesquisa investigou geometria e um sistema específico; não demonstra que qualquer contexto cotidiano melhora qualquer conteúdo. Ainda assim, sugere que vale pensar não só no nível da questão, mas também em como o estudante entende a situação descrita.

Engajamento, emoções e apoio docente fazem parte do quadro

Em um estudo de caso único com três estudantes do ensino fundamental II com transtornos de comportamento emocional, a aprendizagem híbrida combinou ensino presencial e atividades no computador, organizadas em rotação por estações. Após 21 sessões ao longo de cinco semanas, aumentaram o engajamento dos estudantes e o do professor; o desempenho em matemática melhorou para dois dos três participantes. Estudantes e professor apreciaram a intervenção, embora sua continuidade dependesse do funcionamento adequado da tecnologia (Johnson, 2024).

Como a pesquisa envolveu três participantes e um contexto terapêutico nos Estados Unidos, ela oferece uma pista localizada, não uma estimativa geral de efeito para turmas brasileiras. Seu foco em engajamento, além de desempenho, é relevante: uma atividade personalizada precisa ser viável e ajudar o estudante a permanecer envolvido, não apenas apresentar tarefas diferentes.

Uma pesquisa sobre emoções e desempenho acompanhou 345 estudantes na transição do quarto para o quinto ano e identificou quatro perfis relacionados a ansiedade, prazer, tédio e desempenho. Os perfis mostraram estabilidade, e o perfil ansioso foi o mais estável. Estudantes em perfis com desempenho mais alto, emoções positivas mais intensas e emoções negativas menos intensas apresentaram níveis mais baixos de esgotamento escolar. Os autores defendem que compreender essa heterogeneidade é importante para oferecer apoio personalizado em matemática (Pavlova, 2025).

O estudo não diz que uma intervenção específica reduz o esgotamento, nem que emoções expliquem sozinhas o desempenho. O que ele acrescenta é a necessidade de não olhar apenas para acertos e erros: estudantes com desempenho semelhante podem viver a matemática de maneiras diferentes. Um apoio bem planejado pode levar em conta como a turma responde às tarefas, sem transformar sentimentos em rótulos fixos.

Por fim, uma avaliação econômica examinou recursos e custos de “Matemática para Todos”, programa de formação continuada voltado à preparação docente para ensinar estudantes com deficiência. Implementado em escolas de Nova York, Nova Jersey e Illinois, o programa foi associado, em combinação com os resultados de impacto de uma avaliação realizada simultaneamente, a melhorias na preparação e na segurança dos professores. O resumo estima investimento de US$ 909 por professor ao longo de dois anos (Hollands, 2025).

Esse estudo não testa diretamente uma técnica de individualização em matemática nem apresenta aqui um resultado de desempenho dos alunos. Sua pertinência está em mostrar que a capacidade docente de atender estudantes diversos também é parte das condições para personalizar o ensino. Uma proposta diferenciada exige planejamento, conhecimento e recursos; não é apenas uma instrução para que cada professor “faça mais”.

Os estudos lado a lado

Os estudos abaixo investigam dimensões diferentes do ensino individualizado em matemática: algumas pesquisas medem desempenho, outras observam diagnóstico, emoções, engajamento, formação ou planejamento de percursos. A tabela resume o que os resumos informam e evita tratar contextos distintos como se fossem uma única experiência.

Pontos em comum e divergências entre os estudos

Um ponto comum é que personalizar envolve mais do que entregar uma lista diferente para cada estudante. Os estudos abordam apoio em grupos, dificuldade de materiais, tipo de tarefa, diagnóstico, contexto dos problemas, tecnologia, emoções e preparação docente. Em várias pesquisas com resultados disponíveis, alguma forma de adaptação veio acompanhada de ganhos, maior engajamento ou melhor desempenho em condições específicas (Rijal, 2025; Zhenxiong, 2025; Utami, 2024; Johnson, 2024).

Mas os resultados também divergem. No estudo do i-Ready, a diferença significativa no diagnóstico apareceu apenas em uma das três turmas, e as atitudes não mudaram de forma significativa (Ortega, 2025). O sistema de diagnóstico com IA teve sensibilidade menor nos níveis intermediários de proficiência (Junpeng, 2026). Esses resultados ajudam a questionar a ideia de que um programa adaptativo, por si só, produzirá o mesmo benefício para todos.

Também há diferenças de escala e de pergunta. Um estudo com 65 estudantes do quinto ano não responde automaticamente sobre educação infantil ou ensino médio. Uma intervenção com três participantes pode iluminar processos de engajamento, mas não representar uma rede inteira. E pesquisas sobre emoções, custos de formação ou escolha de disciplinas não devem ser lidas como ensaios de uma mesma técnica didática.

O que ainda não está resolvido é quais combinações de apoio funcionam melhor para diferentes estudantes, quanto tempo precisam ser mantidas e como medir seus efeitos sem depender de uma única prova. Os resumos disponíveis também não permitem comparar diretamente a magnitude dos efeitos entre estudos. A conclusão mais segura é que a diferenciação pode ser promissora, mas exige escolha cuidadosa, observação e revisão da prática.

O que isso significa para a sala de aula

Os estudos não oferecem uma receita pronta para qualquer turma. As ideias abaixo são sugestões de aplicação inspiradas nas abordagens pesquisadas, não resultados garantidos nem recomendações testadas em todos os contextos.

1. Varie o apoio sem mudar o objetivo central

Aplicação: proponha a mesma meta matemática para todos, mas ofereça apoios graduados durante a atividade. Em uma turma de 7º ano, por exemplo, parte dos grupos pode receber perguntas-guia, enquanto outros trabalham com menos pistas e explicam suas estratégias ao final. A proposta se aproxima da variação de apoio em discussões investigada por Rijal (2025), mas a organização concreta da aula é uma escolha do professor. Observe se o apoio permite avançar ou se está fazendo a tarefa pelo estudante.

2. Ajuste a dificuldade e confira se o ajuste faz sentido

Aplicação: prepare versões de uma atividade com diferentes níveis de complexidade, mantendo um conceito comum. Imagine uma turma trabalhando com problemas de proporcionalidade: um grupo pode começar com dados mais diretos e outro comparar situações com mais etapas. A ideia conversa com a diferenciação de conteúdo e com sistemas que diagnosticam níveis, mas não se deve transformar uma pontuação isolada em rótulo permanente. Reavalie a dificuldade quando as respostas mostrarem que o desafio está fácil demais ou inacessível.

3. Ofereça mais de uma forma de demonstrar a aprendizagem

Aplicação: depois de estudar um conceito, permita que os alunos mostrem o raciocínio por meio de uma resolução comentada, de uma explicação oral ou da criação de um problema, conforme os objetivos definidos pelo professor. Essa possibilidade se inspira na variação de produtos examinada por Rijal (2025). Para comparar aprendizagens, mantenha critérios claros sobre o que precisa aparecer em cada produção. A diversidade de formato não deve apagar o conteúdo matemático que se quer observar.

4. Use contextos que ajudem a entender o problema

Aplicação: ao trabalhar geometria, construa problemas a partir de situações reconhecíveis pela turma, como comparar formatos de canteiros ou estimar áreas de espaços da escola. Antes de calcular, peça que os estudantes identifiquem o que a situação informa e o que a pergunta solicita. Essa é uma forma de aplicar a atenção ao contexto investigada por Utami (2024), sem supor que um exemplo cotidiano, por si só, garanta melhor desempenho. Confira se o contexto esclarece o conceito em vez de distrair dele.

5. Combine avaliação curta com conversa e observação

Aplicação: depois de uma atividade, use algumas questões breves e peça a certos alunos que expliquem como pensaram. Se a resposta estiver errada, tente distinguir entre uma dificuldade de cálculo, interpretação ou escolha de estratégia. A proposta se inspira no papel diagnóstico presente em Junpeng (2026), mas não requer um sistema de IA. Uma conversa e uma tarefa bem planejada também podem fornecer evidências para ajustar a aula, desde que o professor não trate um único erro como prova de incapacidade.

6. Observe engajamento e emoções junto com acertos

Aplicação: anote quem participa, quem evita começar e em que tipo de tarefa surgem sinais de confiança ou ansiedade. Imagine que vários estudantes acertem uma lista, mas poucos consigam explicar o raciocínio e alguns relatem tensão. Esse registro não substitui a avaliação matemática, mas amplia o que o professor percebe, em diálogo com os perfis de emoções e desempenho observados por Pavlova (2025). Use as observações para conversar e oferecer apoio, não para fixar identidades como “ansioso” ou “desmotivado”.

7. Se usar tecnologia, planeje uma alternativa e acompanhe o processo

Aplicação: uma plataforma adaptativa pode ajudar a organizar atividades por nível, mas combine previamente o que fazer se houver falha de conexão ou acesso. Em uma rotação por estações, por exemplo, os estudantes podem alternar entre uma tarefa digital e uma atividade presencial equivalente. Essa organização se inspira nos estudos de tecnologia e aprendizagem híbrida (Zhenxiong, 2025; Johnson, 2024). Acompanhe o que os alunos fazem e não apenas se completaram a tela: os resumos mostram que a implementação e o funcionamento da tecnologia importam.

O que muda no contexto brasileiro

Os estudos citados foram realizados em países e sistemas diferentes, como Estados Unidos, Ucrânia e Tailândia; em alguns resumos, o país não é informado. Isso importa porque a disponibilidade de dispositivos, o acesso à internet, a organização das turmas, as avaliações e a formação dos professores podem ser diferentes no Brasil. Um resultado obtido com uma plataforma específica ou em um ambiente terapêutico não deve ser tratado como previsão direta para uma escola brasileira.

Também é preciso distinguir as etapas. Há estudos com crianças dos anos iniciais, educação infantil, estudantes do oitavo ano e decisões de escolha de disciplinas no nono ano. Cada contexto envolve necessidades e rotinas próprias. Os achados sobre geometria contextualizada ou sobre apoio em pequenos grupos podem inspirar perguntas para a prática brasileira, mas não determinam uma sequência curricular ou uma política escolar.

Uma adaptação prudente começa pelo que a escola já consegue observar: quais conhecimentos os estudantes demonstram, onde aparecem obstáculos, que apoios estão disponíveis e como acompanhar mudanças. Se a tecnologia for uma opção, vale considerar acesso equitativo, suporte técnico e formação docente, pontos presentes nas recomendações do estudo ucraniano (Zhenxiong, 2025). Se não houver plataforma, muitas decisões de diferenciação — como ajustar apoio, tarefa ou forma de resposta — podem ser planejadas com recursos simples.

Por fim, o contexto brasileiro pede cuidado para que a personalização não se converta em separação permanente entre alunos considerados “fortes” e “fracos”. Os estudos descrevem diferenças individuais, não justificam expectativas fixas. Uma aplicação responsável mantém oportunidades de avançar para todos, observa se os apoios estão funcionando e revê grupos e tarefas conforme novas evidências.

Limites desta leitura

Esta análise se baseia nos resumos de estudos recentes disponíveis, não na leitura integral de cada publicação. Os resumos permitem identificar objetivos, participantes, métodos descritos e resultados informados, mas não sustentam uma avaliação completa de instrumentos, detalhes de implementação ou todas as limitações de cada pesquisa. Em dois casos, o material fornecido não apresenta a conclusão final dos resultados; por isso, o texto descreve o que esses estudos investigaram sem atribuir achados que não constam no resumo (Vitiello, 2025; Li, 2025).

Ficam em aberto perguntas importantes: quais adaptações funcionam melhor para cada conteúdo matemático? Quanto do resultado observado se mantém ao longo do tempo? Como os efeitos mudam conforme a etapa escolar, as condições de acesso e as necessidades dos estudantes? E qual é o esforço de planejamento necessário para sustentar essas práticas em uma turma real? Para responder a essas perguntas com mais precisão, faz sentido consultar os estudos completos, especialmente antes de adotar uma intervenção ou tomar decisões de política e investimento.

Como o GeraProva ajuda com este assunto

Individualizar o ensino também exige observar o que cada estudante já compreendeu e onde precisa de apoio. O gerador de provas do GeraProva pode ajudar o professor a criar avaliações e atividades de matemática para acompanhar a aprendizagem e organizar intervenções, mas não substitui a análise docente nem garante, sozinho, uma aprendizagem personalizada. Para conhecer a plataforma, você pode fazer o cadastro grátis.

Perguntas frequentes sobre ensino individualizado em matemática

Ensino individualizado em matemática melhora o desempenho de todos os alunos?

Os estudos disponíveis não permitem afirmar que toda estratégia individualizada melhora o desempenho de todos os estudantes. A pesquisa sobre diferenciação de conteúdo, processo e produto encontrou aumento significativo no desempenho de estudantes do quinto ano (Rijal, 2025), e outros estudos relataram resultados positivos em contextos específicos. Porém, no estudo do i-Ready, a diferença significativa nas pontuações apareceu apenas em uma das três turmas, e as atitudes não mudaram significativamente (Ortega, 2025). A conclusão prática é avaliar a estratégia e observar a resposta dos estudantes, sem prometer efeito uniforme.

Individualizar significa preparar uma atividade diferente para cada estudante?

Não necessariamente. Nos estudos, a personalização aparece de várias maneiras: variar o apoio em grupos, ajustar a dificuldade dos materiais, modificar tarefas, oferecer trajetórias adaptativas ou usar problemas contextualizados. Isso pode significar planejar alternativas para grupos e permitir ajustes durante o percurso, em vez de produzir uma aula exclusiva para cada aluno. Uma aplicação possível é manter um objetivo comum e diferenciar o apoio ou o nível de desafio. O essencial é relacionar a decisão às evidências de aprendizagem, e não distribuir atividades diferentes sem um propósito claro.

Uma plataforma adaptativa garante bons resultados em matemática?

Não. Uma pesquisa na Ucrânia relatou ganhos de conhecimento significativamente maiores no grupo experimental que usou tecnologias para aprendizagem personalizada (Zhenxiong, 2025), enquanto o estudo do i-Ready encontrou diferença significativa no diagnóstico apenas na turma Honors e não identificou mudança significativa nas atitudes (Ortega, 2025). As pesquisas ocorreram em contextos distintos e não são uma comparação direta, mas mostram que não basta considerar a tecnologia uma garantia. O professor precisa verificar acesso, funcionamento, adequação das tarefas e o que os estudantes estão aprendendo com a ferramenta.

Como perceber se um estudante precisa de outro tipo de apoio?

Uma forma é combinar resultados de atividades com observação e conversa. O professor pode notar se o estudante compreende o enunciado, escolhe uma estratégia, executa os cálculos e explica o raciocínio. A pesquisa sobre diagnóstico personalizado destaca que a identificação de níveis pode ser menos sensível em faixas intermediárias de proficiência (Junpeng, 2026), o que reforça a importância de não depender de um único indicador. Essa combinação de evidências é uma sugestão de aplicação: ajuda a formular uma hipótese sobre a dificuldade e a verificar se o apoio oferecido permite avançar.

Emoções como ansiedade e tédio devem entrar no planejamento de matemática?

Podem ser consideradas junto com as evidências de aprendizagem, sem substituir a avaliação do conhecimento. Um estudo identificou diferentes perfis de emoções e desempenho entre estudantes e relatou níveis menores de esgotamento nos perfis com desempenho mais alto e emoções mais positivas (Pavlova, 2025). Isso não demonstra que uma atividade específica reduza ansiedade ou esgotamento, mas mostra que os estudantes não vivem a matemática todos da mesma forma. Uma aplicação cuidadosa é observar participação e respostas emocionais, conversar com os alunos e ajustar apoios sem transformar um sentimento em rótulo permanente.

Os resultados de pesquisas feitas fora do Brasil valem para minha turma?

Podem oferecer ideias e perguntas, mas não devem ser tratados como previsão direta. Os estudos foram feitos em contextos distintos, com etapas escolares, programas e condições de implementação diferentes. Por exemplo, a pesquisa sobre tecnologia personalizada ocorreu em cidades da Ucrânia, e o estudo de aprendizagem híbrida envolveu três estudantes em um ambiente terapêutico nos Estados Unidos (Zhenxiong, 2025; Johnson, 2024). Para aplicar uma ideia no Brasil, considere acesso, recursos, objetivos de aprendizagem e características da turma. Comece em escala viável, acompanhe os resultados e ajuste a prática.

Referências

1. Junpeng (2026). Concepção e desenvolvimento de inovações arquitetônicas de sistemas de aprendizagem personalizada baseados em inteligência artificial no desenvolvimento da proficiência matemática (Designing and Developing Architectural Innovations of AI-Driven Personalized Learning Systems in Mathematical Proficiency). International Journal of Information and Learning Technology. Link.
2. Rijal (2025). Efetividade da Aprendizagem Diferenciada em Matemática: Evidências de Estudantes do Ensino Fundamental (Effectiveness of Differentiated Learning in Mathematics: Insights from Elementary School Students). Journal of Education and Learning (EduLearn). Link.
3. Pavlova (2025). Padrões desenvolvimentais das emoções relacionadas ao desempenho e do desempenho em matemática no ensino fundamental — diferenças no esgotamento escolar (Developmental Patterns of Achievement Emotions and Math Performance in Primary School -- Differences in School Burnout). European Journal of Psychology of Education. Link.
4. Zhenxiong (2025). O Uso de Tecnologias Educacionais na Aprendizagem Personalizada de Estudantes do Ensino Fundamental Anos Iniciais (The Use of Educational Technologies in Personalized Learning of Primary School Students). International Electronic Journal of Elementary Education. Link.
5. Vitiello (2025). Evidências limitadas de que a diferenciação orientada por dados, em contextos reais, está associada a ganhos em matemática na educação infantil (Weak Evidence That Data-Driven Differentiation "In the Wild" Is Associated with Kindergarten Mathematics Gains). Society for Research on Educational Effectiveness. Link.
6. Hollands (2025). Uso de recursos e custos para implementar “Matemática para Todos”, um programa de desenvolvimento profissional que aprimora a preparação de professores para ensinar estudantes com deficiência (Resource Use and Costs to Implement "Math for All," a Professional Development Program That Improves Teacher Preparedness to Teach Students with Disabilities). Society for Research on Educational Effectiveness. Link.
7. Ortega (2025). A Influência de um Programa Adaptativo Online na Atitude em relação à Matemática e no Desempenho em Matemática dos Alunos, Medidos por meio das Pontuações do Teste Diagnóstico i-Ready (The Influence of an Online Adaptive Program on Students' Math Attitude and Math Achievement as Measured through I-Ready Diagnostic Test Scores). International Journal of Education in Mathematics, Science and Technology. Link.
8. Li (2025). Aprimorando a Viabilidade de Regimes Ótimos de Tratamento para a Educação Personalizada (Improving the Feasibility of Optimal Treatment Regimes for Personalized Education). Society for Research on Educational Effectiveness. Link.
9. Utami (2024). Geração contextualizada e personalizada de problemas matemáticos de palavras em contextos autênticos usando Generative Pre-Trained Transformer e suas influências na aprendizagem de geometria (Contextualized and Personalized Math Word Problem Generation in Authentic Contexts Using Generative Pre-Trained Transformer and Its Influences on Geometry Learning). Journal of Educational Computing Research. Link.
10. Johnson (2024). Melhoria do Comportamento de Engajamento na Tarefa dos Estudantes, do Engajamento Docente e do Desempenho em Matemática por meio da Aprendizagem Híbrida: Um Estudo de Delineamento de Caso Único (Improving Student On-Task Behavior, Teacher Engagement, and Math Achievement through Blended Learning: A Single-Case Design Study). Education and Treatment of Children. Link.

Se alguma dessas ideias fizer sentido para sua turma, experimente em pequena escala, observe o que os estudantes mostram e ajuste o caminho. Boa aula!