Estatística bayesiana e trajetórias de aprendizagem: avaliar além do acerto

Na avaliação de matemática, dois estudantes podem chegar à mesma resposta correta por caminhos muito diferentes — e uma resposta ausente nem sempre significa falta de conhecimento. A estatística bayesiana e as trajetórias de aprendizagem ajudam a investigar essas diferenças, então este texto responde a três perguntas: o que esses conceitos significam para quem ensina? O que pesquisas recentes encontraram ao analisar estratégias, erros e progressos? E como transformar esses achados em avaliações e atividades úteis sem tratar resultados de pesquisa como receita pronta?

Os estudos reunidos aqui combinam trabalhos metodológicos sobre análise bayesiana com pesquisas sobre ensino organizado em trajetórias. Há investigações de matemática na educação infantil, propostas para raciocínio nos anos finais do ensino fundamental e estudos de geometria e funções. Eles não testam todos a mesma ideia nem usam o mesmo tipo de evidência; justamente por isso, ajudam a enxergar tanto possibilidades concretas quanto perguntas ainda abertas.

O que é Estatística bayesiana e trajetórias de aprendizagem no ensino de matemática e por que importa para o professor

Em linguagem simples, uma trajetória de aprendizagem é uma hipótese organizada sobre como estudantes podem avançar na compreensão de um conceito. Ela relaciona um objetivo matemático, possíveis etapas de raciocínio e tarefas que podem ajudar a turma a progredir. É uma hipótese, não uma escada obrigatória: estudantes podem usar estratégias diferentes, avançar de modo desigual ou mostrar compreensão em uma tarefa e dificuldade em outra.

A estatística bayesiana é uma família de métodos que combina informação observada com um modelo explícito para estimar o que pode estar acontecendo. Nos estudos aqui apresentados, ela aparece como ferramenta de pesquisa: por exemplo, para estimar a probabilidade de uma estratégia ser detectada e, em seguida, analisar sua sofisticação; ou para estimar o domínio de estudantes a partir de respostas corrigidas. Não é um método que o professor precise aplicar manualmente para planejar uma aula.

Na rotina escolar, a ligação entre as duas ideias está na pergunta que fazemos ao avaliar. Em vez de olhar apenas se a resposta final está certa, podemos observar que estratégia foi usada, que parte do raciocínio foi registrada e se a resposta permite inferir algo com segurança. Uma tarefa de medição, por exemplo, pode revelar se a criança reconhece a unidade, alinha o início da régua e interpreta as marcações. A resposta final, sozinha, talvez não mostre qual desses passos está consolidado.

Essa perspectiva importa porque a avaliação orienta a próxima decisão de ensino. Se uma resposta incorreta reúne raciocínio promissor e um erro de representação, a intervenção pode ser diferente daquela indicada por uma estratégia ainda pouco desenvolvida. As pesquisas não dizem que toda avaliação precisa de modelos estatísticos complexos. Elas mostram, isso sim, por que vale a pena distinguir desempenho final, processo usado e limites do que os dados permitem concluir.

O que a pesquisa recente mostra

Os estudos apontam para uma ideia central: trajetórias e análises mais cuidadosas podem tornar visíveis aspectos da aprendizagem que a contagem de acertos não capta. As evidências, porém, variam: há experimentos com comparação entre condições, estudos-piloto, propostas de design e análises metodológicas. Por isso, é importante separar resultados encontrados em uma intervenção de ferramentas desenvolvidas para pesquisadores e de hipóteses ainda em teste.

Estratégias matemáticas contam uma história que o acerto não conta

Um estudo sobre crianças pequenas e aritmética propõe avaliar a sofisticação relativa das estratégias, em vez de resumir o desempenho à proporção de respostas corretas. Com dados de um experimento randomizado descrito como realizado com crianças da educação infantil, os autores investigaram modelos ordinais capazes de representar níveis de estratégia. O estudo relata que o desenvolvimento das estratégias aritméticas é mais bem descrito como um processo sequencial em etapas e que as crianças ensinadas de acordo com uma trajetória de aprendizagem usaram estratégias mais sofisticadas na avaliação pós-intervenção do que aquelas em uma condição de ensino direcionado à habilidade-alvo (Kutaka, 2023).

O trabalho também apresenta uma medida de sofisticação latente das estratégias. Essa medida teve correlação moderada, de r = 0,58, com escores Rasch tradicionais. A interpretação proposta é que as duas medidas se relacionam, mas não são intercambiáveis: a sofisticação das estratégias pode acrescentar informação distinta e complementar à correção da resposta. Para o professor, a contribuição não é substituir notas ou provas, e sim lembrar que duas respostas corretas podem corresponder a formas diferentes de pensar.

Uma questão metodológica aparece com mais força em um estudo sobre medição de comprimento. Os autores explicam que comportamentos não detectáveis ou fora de uma escala ordinal validada podem gerar dados ausentes informativos. Se a análise tratar esses casos de maneira inadequada, pode produzir conclusões enviesadas sobre a eficácia de uma intervenção. A proposta bayesiana separa a análise em duas partes: primeiro estima a probabilidade de detectar uma resposta; depois analisa a variável ordinal condicionada à detecção (Chernyavskiy, 2025).

Na aplicação descrita, os dados vieram de um experimento de ensino de medição com 186 crianças, com idade de 5 a 6 anos na avaliação inicial. Os estudantes na condição de ensino baseada em trajetórias tiveram maior probabilidade de usar estratégias detectáveis e matematicamente relevantes do que os pares em duas condições de comparação; suas estratégias também foram mais sofisticadas. O ponto instrutivo é duplo: a trajetória esteve associada a estratégias mais desenvolvidas naquele estudo, e a análise procurou não confundir uma resposta que não foi observada com uma resposta que necessariamente indicaria baixo desempenho.

Uma trajetória pode organizar tarefas para construir conceitos

Uma trajetória não precisa ser apenas um instrumento de análise depois da aula. O estudo RbySteps apresenta uma sequência didática para explorar medição de comprimentos com crianças pequenas, simulando a construção passo a passo de uma régua e dando sentido a números, marcas e unidades. A proposta responde a dificuldades identificadas pelos autores: reconhecer a unidade no instrumento e interpretar o ponto inicial da medição (Gó, 2026).

Participaram 36 crianças de 5 a 6 anos no último ano da educação infantil: 19 utilizaram o RbySteps e 17 seguiram um formato convencional de ensino de medição. Após a intervenção, o grupo experimental demonstrou maior proficiência na medição com régua, enquanto o grupo de controle não apresentou melhora semelhante. Com base nisso, os autores propõem uma trajetória hipotética para a medição de comprimentos com régua. O estudo sugere que os componentes de um instrumento podem ser ensinados como ideias relacionadas, não apenas como instruções para ler uma marca.

Nos anos finais do ensino fundamental, outra pesquisa elaborou uma trajetória hipotética para raciocínio matemático por meio de aprendizagem baseada em situações e mediação semântica. A proposta buscou ajudar estudantes a passar da interpretação de uma situação para a representação simbólica e a justificação. O desenvolvimento incluiu análise teórica, criação de tarefas, validação por especialistas e um estudo-piloto com 20 estudantes; portanto, trata-se de evidência preliminar, não de uma conclusão ampla sobre qualquer turma (Lestari, 2026).

Na avaliação dos especialistas, a proposta obteve média de 3,84 em uma escala de quatro pontos, indicando consistência conceitual e viabilidade prática segundo os critérios usados no estudo. Na implementação-piloto, os resultados sugeriram que o suporte semântico contribuiu para o avanço da interpretação contextual à representação simbólica e à justificação. Para o ensino, essa sequência chama atenção para uma progressão possível: compreender o que a situação pergunta, expressar matematicamente uma relação e explicar por que a solução faz sentido.

Modelos bayesianos também aparecem quando se estima conhecimento a partir de respostas

Um estudo sobre correção de respostas abertas apresenta o conjunto AMMORE, com 53 mil pares de perguntas e respostas de matemática, oriundos de uma plataforma usada por estudantes do ensino fundamental II e do ensino médio em vários países africanos. Os autores compararam abordagens de modelos de linguagem para corrigir respostas difíceis, incluindo casos que um classificador baseado em regras não corrigia com precisão. No experimento relatado, a abordagem de prompting por cadeia de pensamento corrigiu corretamente 97% desses casos limítrofes e elevou a precisão geral da correção de 96% para 97% (Henkel, 2025).

O estudo então usou as notas geradas pelo modelo de melhor desempenho em um Modelo Bayesiano de Rastreamento do Conhecimento, ou BKT, para estimar o domínio de conteúdos em aulas específicas. O classificador baseado em regras classificou incorretamente o status de domínio de 6,9% dos estudantes nas aulas concluídas; com a abordagem de cadeia de pensamento, esse índice caiu para 2,6%. Os autores observam que melhorias modestas na precisão da correção podem provocar mudanças significativas nas estimativas de domínio. Isso não equivale a recomendar que escolas adotem automaticamente a correção por IA: evidencia que a qualidade da correção importa para qualquer sistema que infira aprendizagem a partir dela.

O contexto também merece atenção. O conjunto de dados veio de uma plataforma utilizada em países africanos, e os resultados descritos dizem respeito àquele conjunto e às abordagens comparadas. Em uma turma brasileira, linguagem, currículo, formulação das questões e critérios de correção podem ser diferentes. O resultado é uma razão para validar ferramentas e rubricas, não uma garantia de que terão a mesma precisão em outros contextos.

Trajetórias podem conectar matemática escolar a contextos e formas de participação

Uma pesquisa de geometria desenvolveu uma trajetória de aprendizagem com Educação Matemática Etno-Realística e um e-módulo interativo. A proposta articula contextos culturais e recursos digitais, procurando manter rigor matemático e relevância para os estudantes. O trabalho baseado em design envolveu estudantes de quatro escolas, num total de 123 participantes, e utilizou grupos focais, observações, registros de atividades, testes e entrevistas (Payadnya, 2025).

Os resultados relatam aumento da taxa média de aprovação nas quatro escolas, de 55,25% no pré-teste para 86,2% no pós-teste. Os estudantes também demonstraram maior capacidade de resolução de problemas, pensamento crítico e raciocínio criativo, conforme o resumo do estudo. Esses dados pertencem à intervenção descrita e não permitem afirmar que qualquer uso de contexto cultural ou módulo digital produzirá o mesmo efeito. A contribuição para o planejamento é considerar se os contextos escolhidos ajudam a desenvolver o conceito, em vez de servirem apenas como decoração da atividade.

Em conjunto, os trabalhos não apresentam uma única trajetória universal para matemática. Eles mostram diferentes maneiras de explicitar etapas de aprendizagem, observar estratégias e desenhar tarefas. A estatística bayesiana se destaca sobretudo como recurso para tratar incerteza e dados complexos em pesquisa; as trajetórias aparecem como hipóteses de progressão que podem orientar atividades e avaliações.

Os estudos lado a lado

A tabela resume o foco e o tipo de evidência dos estudos citados. As diferenças de etapa, conteúdo e desenho importam: um resultado obtido com crianças pequenas em medição não deve ser transferido automaticamente para uma unidade de álgebra no ensino fundamental II.

Quais pontos em comum e divergências aparecem entre os estudos?

Um ponto comum é que a aprendizagem pode aparecer em mais de uma dimensão. Em vez de considerar apenas certo ou errado, os estudos sobre estratégias observam níveis de sofisticação; os trabalhos sobre trajetórias organizam a passagem entre interpretação, representação e justificação; e o estudo de correção automatizada mostra como a qualidade da nota pode afetar uma estimativa de domínio. A pergunta “acertou?” continua importante, mas pode não descrever sozinha o que o estudante sabe fazer.

Os estudos também convergem na atenção à relação entre tarefa e raciocínio. A proposta RbySteps trata de elementos específicos da medição; a trajetória de raciocínio matemático incorpora significado das situações; a proposta de geometria liga contexto cultural, tecnologia e numeramento. Em cada caso, o desenho da atividade importa para tornar observáveis certas formas de pensar. Isso não prova que uma mesma sequência funcione para todas as turmas ou conteúdos.

As divergências estão no tipo de pergunta e no alcance da evidência. Chernyavskiy (2025) propõe uma ferramenta estatística e a aplica a dados de um experimento; Kutaka (2023) concentra-se na modelagem ordinal e na sofisticação de estratégias. Lestari (2026) relata uma etapa preliminar e um piloto pequeno, enquanto Payadnya (2025) descreve uma intervenção de geometria com 123 estudantes e resultados pré e pós-teste. Henkel (2025), por sua vez, estuda correção automatizada e estimativa de domínio, não uma intervenção didática de trajetória no mesmo sentido.

Também não está resolvido como transformar categorias de pesquisa em instrumentos viáveis para o cotidiano de uma escola. Uma análise ordinal pode exigir codificação de respostas e conhecimento estatístico; uma trajetória pode ser ajustada à turma, mas não elimina a necessidade de acompanhar o que cada estudante faz. E uma ferramenta que estima domínio depende da validade da correção que recebe. A pesquisa oferece conceitos e exemplos, mas não estabelece um protocolo único de avaliação docente.

O que isso significa para a sala de aula?

Os estudos não prescrevem uma rotina de aula para toda escola brasileira. As ideias abaixo são aplicações sugeridas, inspiradas nos achados: servem para planejar observações e atividades, não para afirmar que foram testadas exatamente dessa forma em sua turma.

1. Registre o caminho, além do resultado

Aplicação sugerida: ao corrigir uma tarefa, anote brevemente a estratégia observada junto do acerto ou erro. Imagine uma turma de 7º ano resolvendo um problema de proporção: dois estudantes chegam ao mesmo valor, um por desenho e outro por cálculo multiplicativo. Guardar essa distinção ajuda a planejar perguntas de aprofundamento. A proposta se inspira nos estudos que analisam sofisticação de estratégias, mas não exige criar uma escala estatística sofisticada para cada atividade.

2. Separe “não observei” de “não conseguiu”

Aplicação sugerida: quando uma resposta estiver em branco, ilegível ou fora do formato esperado, registre a situação antes de atribuir uma interpretação. Imagine uma atividade de medida em que um estudante aponta para a régua, mas não escreve o raciocínio. O professor pode solicitar uma explicação oral ou uma demonstração curta antes de concluir o que aquela resposta significa. A distinção ecoa a preocupação metodológica com comportamentos não detectáveis; não é uma afirmação de que todo silêncio revela conhecimento oculto.

3. Construa tarefas em etapas que tornem o conceito visível

Aplicação sugerida: numa sequência de medição, peça primeiro que a turma compare comprimentos, depois explique a unidade escolhida e só então use uma régua convencional. Em uma situação hipotética, estudantes podem começar marcando unidades iguais ao longo de um objeto e discutir por que o ponto inicial muda o resultado. Essa organização dialoga com a ideia do RbySteps, mas a sequência concreta precisa ser adaptada aos materiais, à etapa e ao objetivo de aprendizagem.

4. Peça que o estudante transite entre contexto, símbolo e justificativa

Aplicação sugerida: proponha um problema contextualizado e solicite três registros: o que a situação pede, como a relação pode ser representada matematicamente e por que a resposta é razoável. Por exemplo, diante de uma divisão de ingredientes de uma receita fictícia, estudantes podem explicar o contexto, escrever uma relação numérica e justificar o procedimento. A proposta se inspira na trajetória-piloto de raciocínio semântico; não significa que a pesquisa tenha testado essa receita ou esse conteúdo.

5. Trate as estratégias como pistas para a próxima intervenção

Aplicação sugerida: agrupe temporariamente respostas por estratégia, não apenas por nota, e escolha uma pergunta diferente para cada grupo. Imagine uma atividade de cálculo em que alguns estudantes contam todos os elementos, outros usam decomposição e outros recorrem a fatos conhecidos. Uma breve discussão entre estratégias pode tornar visível o que cada uma resolve bem. A pesquisa de aritmética dá suporte à relevância de observar sofisticação, mas a decisão pedagógica e a categorização devem considerar a tarefa real da turma.

6. Valide correções automáticas antes de usá-las para decidir

Aplicação sugerida: se uma ferramenta de IA corrigir respostas abertas, revise uma amostra com critérios próprios e examine os casos em que a interpretação automática diverge da sua. Imagine uma resposta com um procedimento correto e uma explicação escrita de forma pouco convencional. A investigação de Henkel (2025) mostra que a precisão da correção pode afetar estimativas de domínio no sistema estudado; não garante o mesmo resultado com uma ferramenta diferente ou com respostas em português.

7. Use contextos próximos sem perder o objetivo matemático

Aplicação sugerida: escolha um contexto que faça sentido para a comunidade da turma e pergunte se ele realmente ajuda a pensar o conceito. Para uma tarefa de geometria, uma forma hipotética é comparar padrões arquitetônicos ou objetos presentes no cotidiano local e investigar propriedades geométricas. A pesquisa de Etno-RME liga contexto cultural e numeramento, mas cabe ao professor evitar estereótipos e assegurar que o contexto favoreça o trabalho matemático, em vez de tomar o lugar dele.

O que muda no contexto brasileiro?

No Brasil, esses estudos funcionam melhor como referências para formular perguntas do que como modelos para copiar. Os resumos não indicam o país em todos os trabalhos, e as propostas são feitas em conteúdos, grupos e condições específicos. Mesmo onde o contexto é informado — como a plataforma de matemática usada em vários países africanos no estudo de Henkel (2025) — não se pode presumir que os resultados se repitam com estudantes, instrumentos e práticas brasileiras.

Para adaptar uma trajetória, o primeiro passo é olhar para a tarefa concreta: que conceito ela busca desenvolver, que estratégias podem aparecer e que evidências a resposta permite observar? Uma trajetória sobre régua e comprimento pode inspirar uma sequência brasileira de medição, mas materiais disponíveis, linguagem da atividade e experiências dos estudantes podem mudar. Uma proposta cultural em geometria, por sua vez, precisa partir de contextos significativos para a comunidade atendida, não importar exemplos culturais como ornamento.

Há também uma diferença entre a utilidade da estatística bayesiana para pesquisa e sua aplicação direta na escola. O professor pode aproveitar a atenção à incerteza — por exemplo, não interpretar automaticamente uma resposta ausente como falta de compreensão — sem precisar construir um modelo bayesiano. Se uma rede ou equipe quiser usar modelos automatizados para estimar domínio, será importante verificar a qualidade das correções e se os critérios representam adequadamente as respostas dos estudantes brasileiros.

Por fim, os resultados de intervenções não garantem efeitos iguais em outras etapas, escolas ou conteúdos. Os estudos sobre crianças pequenas tratam de medição ou aritmética; a pesquisa-piloto de raciocínio trata dos anos finais do ensino fundamental; e o trabalho de continuidade aborda um conceito avançado de funções. A adaptação responsável começa por reconhecer essas diferenças e observar a aprendizagem da própria turma.

Quais são os limites desta leitura?

Este texto se baseia nos resumos de estudos recentes, não na leitura integral dos artigos. Os resumos permitem identificar objetivos, métodos gerais e resultados relatados, mas não oferecem todos os detalhes necessários para avaliar instrumentos, decisões analíticas, contexto escolar e alcance das conclusões. Por isso, os resultados foram apresentados nos limites do que os resumos informam, sem transformar uma evidência localizada em regra universal.

Ficam em aberto perguntas importantes: como as trajetórias se comportam em turmas com contextos diferentes? Quanto tempo os avanços relatados se mantêm? Como desenvolver escalas de estratégia confiáveis e viáveis para uso escolar? Como avaliar respostas abertas em português sem favorecer certos modos de expressão? E que recursos de formação e tempo seriam necessários para analisar sistematicamente estratégias em uma turma inteira?

Faz sentido consultar os estudos completos quando a ideia for adotar uma sequência didática, reproduzir um instrumento, interpretar resultados com implicações para uma rede ou avaliar uma ferramenta de correção. Nesses casos, o resumo é um ponto de partida, não substitui a leitura dos procedimentos, das limitações e dos materiais usados.

Como o GeraProva ajuda com este assunto?

O GeraProva pode ajudar a preparar provas e atividades de matemática com questões variadas, que deem espaço para observar procedimentos, justificativas e interpretações, além da resposta final. A plataforma não substitui a análise do professor nem aplica automaticamente os modelos de pesquisa descritos aqui; ela pode apoiar a criação de materiais que você adapte aos objetivos da turma. Conheça o gerador de provas do GeraProva e faça seu cadastro grátis.

Perguntas frequentes sobre estatística bayesiana e trajetórias de aprendizagem

Preciso usar estatística bayesiana para acompanhar meus alunos?

Não. Nos estudos discutidos, a estatística bayesiana aparece como ferramenta de análise de pesquisa, por exemplo para estimar a probabilidade de detectar estratégias ou acompanhar domínio a partir de respostas corrigidas. Isso não significa que o professor precise calcular modelos bayesianos em sala. Uma aplicação pedagógica mais simples é registrar o tipo de estratégia, distinguir uma resposta não observada de uma resposta incorreta e usar essas evidências para decidir que pergunta ou atividade propor depois.

Uma trajetória de aprendizagem é uma sequência fixa que todos devem seguir?

Não. Os trabalhos apresentam trajetórias como propostas ou hipóteses para organizar o desenvolvimento de conceitos e tarefas. A pesquisa sobre medição descreve uma sequência para trabalhar números, marcas e unidades; a proposta para raciocínio matemático organiza a passagem da interpretação à representação e à justificação. Esses exemplos não estabelecem uma ordem obrigatória para todos os estudantes. Para a sala de aula, é mais prudente usar a trajetória como referência e observar se as tarefas e etapas fazem sentido para a turma.

Por que avaliar a estratégia se a resposta já está certa?

Porque o resultado correto pode esconder diferenças importantes no raciocínio. Kutaka (2023) relata que a sofisticação das estratégias fornece informação distinta, embora complementar, aos escores baseados na correção das respostas. No estudo, crianças ensinadas de acordo com uma trajetória usaram estratégias aritméticas mais sofisticadas na avaliação pós-intervenção do que o grupo de comparação direcionado à habilidade-alvo. Na prática, observar o caminho pode ajudar a planejar desafios seguintes, sem desvalorizar a resposta correta ou exigir uma classificação complexa em cada exercício.

O que faço quando não consigo interpretar uma resposta?

Evite concluir imediatamente que o estudante não compreendeu. O estudo de Chernyavskiy (2025) trata justamente do risco de confundir comportamentos não detectáveis ou não codificáveis com dados ausentes que podem enviesar uma análise. Na sala, uma opção é registrar que a resposta não foi interpretável e buscar outra evidência: pedir uma explicação oral, oferecer material concreto ou propor uma questão semelhante. Isso é uma sugestão de aplicação, não um resultado direto sobre uma rotina escolar específica.

Os resultados de pesquisas feitas em outros contextos valem para escolas brasileiras?

Podem inspirar perguntas e adaptações, mas não garantem os mesmos resultados no Brasil. A pesquisa de Henkel (2025), por exemplo, usou dados de uma plataforma utilizada em vários países africanos; outros resumos não especificam o país. Conteúdo, idioma, tarefas e condições de ensino podem ser diferentes. Por isso, ao adaptar uma proposta, considere o objetivo matemático e as características da turma, e observe os resultados locais. Para adotar uma intervenção ou ferramenta, consulte o estudo completo e verifique como ela foi aplicada.

Uma ferramenta de IA pode dizer se o estudante domina um conteúdo?

O estudo de Henkel (2025) investigou uma cadeia de etapas: modelos de linguagem corrigiram respostas abertas e as notas alimentaram um modelo bayesiano que estimou domínio em aulas específicas. Os autores relatam diferenças na classificação de domínio conforme a abordagem de correção. Isso não prova que qualquer ferramenta de IA possa diagnosticar aprendizagem de forma confiável em qualquer escola. A qualidade da correção, o tipo de questão e o contexto importam. Se usar uma ferramenta, revise respostas e decisões relevantes em vez de tratar a estimativa como verdade definitiva.

Referências

1. Kutaka et al. (2023). Modelos ordinais para analisar a sofisticação das estratégias: evidências de um estudo sobre a eficácia de uma trajetória de aprendizagem (Ordinal Models to Analyze Strategy Sophistication: Evidence from a Learning Trajectory Efficacy Study). Grantee Submission. Link.
2. Chernyavskiy et al. (2025). Abordagem de comportamentos não codificáveis: um modelo bayesiano de mistura ordinal aplicado a um experimento de ensino sobre trajetória de aprendizagem em matemática (Addressing Uncodable Behaviors: A Bayesian Ordinal Mixture Model Applied to a Mathematics Learning Trajectory Teaching Experiment). Journal of Research on Educational Effectiveness. Link.
3. Gó (2026). Régua por etapas (RbySteps): explorando a medição de comprimentos com crianças pequenas por meio da construção sequencial de uma régua (Ruler by Steps (RbySteps): Exploring Length Measurement with Young Children through a Sequential Ruler Construction). Early Childhood Education Journal. Link.
4. Lestari et al. (2026). Elaboração de uma trajetória hipotética de aprendizagem para o raciocínio matemático por meio da aprendizagem baseada em situações e da mediação semântica (Designing a Hypothetical Learning Trajectory for Mathematical Reasoning through Situation-Based Learning and Semantic Mediation). Journal on Mathematics Education. Link.
5. Henkel et al. (2025). Aprendendo a Gostar de LLMs para Interpretação de Respostas: Prompting por Cadeia de Pensamento e o Conjunto de Dados AMMORE (Learning to Love LLMs for Answer Interpretation: Chain-of-Thought Prompting and the AMMORE Dataset). Journal of Learning Analytics. Link.
6. Payadnya et al. (2025). Transformando o ensino de geometria com um e-módulo interativo integrando a Educação Matemática Etno-Realística: uma abordagem baseada em design para ampliar as habilidades de numeramento (Transforming Geometry Learning with an Interactive E-Module Integrating Ethno-Realistic Mathematics Education: A Design-Based Approach to Enhancing Numeracy Skills). Mathematics Teaching Research Journal. Link.

Se alguma dessas ideias conversa com um desafio da sua turma, escolha uma tarefa, observe os caminhos que os estudantes usam e adapte a próxima atividade a partir do que encontrar.