Implementação de programas de matemática: por que fidelidade e acompanhamento importam

Um programa de matemática pode ser implementado com fidelidade e, ainda assim, não produzir impacto estatisticamente significativo no desempenho; outro modelo, quando aplicado com fidelidade, pode estar associado a notas mais altas. Essa tensão aparece em estudos recentes e impede uma conclusão fácil como “basta adotar um programa” ou “programas não funcionam”.

A diferença está no que cada pesquisa examinou: objetivos, públicos, formas de acompanhamento e resultados medidos. A seguir, separo esses achados e suas limitações para pensar no que eles podem oferecer a quem planeja o ensino de matemática na escola — sem transformar evidências de outros países em receita pronta para o Brasil.

O que é implementar programas que elevam o desempenho acadêmico em matemática e por que importa para o professor?

Implementar um programa é fazer com que suas atividades, apoios e formas de acompanhamento aconteçam de maneira consistente no cotidiano escolar. Para o professor, isso envolve mais do que receber uma proposta: é preciso entender o objetivo, encontrar espaço na rotina, saber como acompanhar a aprendizagem e observar se os componentes previstos estão realmente chegando aos estudantes.

Os estudos aqui reunidos mostram que “programa” pode significar coisas bem diferentes. Há intervenções de tutoria entre pares, propostas de enriquecimento cognitivo, modelos de organização escolar, aprendizagem socioemocional e desenvolvimento profissional de professores. Algumas foram avaliadas por mudanças em notas ou testes; outras investigaram relações entre motivação, engajamento e desempenho, ou criaram modelos para prever resultados.

Essa variedade importa porque uma melhora acadêmica não depende apenas do nome de uma abordagem. A implementação pode envolver formação, materiais, tempo, acompanhamento e participação dos estudantes. No estudo de Charleston, por exemplo, a infraestrutura central foi implementada com alto grau de fidelidade, mas componentes importantes para os professores não alcançaram os níveis previstos; não houve impacto estatisticamente significativo no desempenho em matemática (Derrick, 2026). Já o modelo New Tech Network teve resultados mais favoráveis nas escolas que o implementaram com fidelidade ao modelo (Culclasure, 2023).

Na rotina escolar, portanto, a pergunta útil não é apenas “qual programa escolher?”, mas também “que condições ajudam a proposta a acontecer e que sinais de aprendizagem vamos observar?”. Essa pergunta não garante resultados, mas ajuda a distinguir a adoção formal de uma intervenção da sua presença real nas experiências de ensino e aprendizagem.

O que a pesquisa recente mostra sobre programas de matemática?

Implementar com fidelidade não basta se os componentes centrais não chegam à prática

O estudo de Charleston avaliou o C3: Escolha em Competência Cultural, uma intervenção voltada à aprendizagem profissional personalizada dos professores, com foco em competência cultural. A proposta incluía oportunidades de desenvolvimento profissional direcionadas pelos próprios docentes, bolsas, avaliação individualizada por meio do Inventário de Desenvolvimento Intercultural e acompanhamento contínuo. A pesquisa examinou, ao longo de quatro anos, resultados de estudantes em matemática e ELA, além da competência intercultural dos professores (Derrick, 2026).

Os autores não encontraram impactos estatisticamente significativos no desempenho dos estudantes nem mudanças relevantes nas pontuações de orientação de desenvolvimento dos professores. Nas análises de matemática e ELA, o desempenho inicial e características dos estudantes no nível da sala — particularmente composição racial e proporção de estudantes com deficiência — foram os fatores mais fortes para prever os resultados; variáveis relativas aos professores não foram significativas.

O detalhe de implementação ajuda a interpretar o resultado: embora a infraestrutura central do programa tenha sido implementada com alto grau de fidelidade, o uso das bolsas e dos dados de avaliação para orientar a aprendizagem profissional ficou aquém do previsto. Os apoios de acompanhamento melhoraram ao longo do tempo e apareceram como um mecanismo potencialmente importante. Os autores sugerem que acesso à formação, sozinho, não basta: engajamento contínuo, alinhamento entre avaliação e aprendizagem profissional e acompanhamento de qualidade integrado ao trabalho podem ser essenciais para chegar a mudanças mensuráveis (Derrick, 2026).

Intervenções estruturadas podem combinar aprendizagem e confiança

Em um estudo com estudantes do ensino médio, a tutoria entre pares foi examinada em relação à autoeficácia e ao desempenho em matemática. A pesquisa usou questionários, grupos focais, entrevistas e resultados de testes padronizados. Os autores relatam que o ambiente acolhedor criado pela tutoria beneficiou tutores e tutorados e esteve associado a melhores resultados acadêmicos e ao fortalecimento da autoeficácia matemática (Pierce, 2025).

O mecanismo descrito oferece uma pista prática: quem ensina consolida a própria compreensão, enquanto quem recebe apoio pode trabalhar com um colega que enfrenta desafios de aprendizagem semelhantes. A pesquisa destaca oportunidades de transferência de conhecimento diferentes das proporcionadas pelo ensino tradicional. Isso não significa que qualquer dupla ou conversa informal produza o mesmo resultado: o estudo investigou relações estruturadas entre pares, não simplesmente a presença de colegas sentados juntos.

Um estudo de um ano sobre o Programa de Enriquecimento Instrumental de Feuerstein (FIE) avaliou três turmas do quarto ano de uma escola árabe-israelense, comparadas a duas turmas da mesma escola que seguiram o currículo regular orientado para conteúdos. Os estudantes participantes do FIE melhoraram significativamente suas notas do pré ao pós-intervenção em comparação com o grupo de comparação; aqueles que começaram com pontuações cognitivas mais baixas se beneficiaram mais (Tzuriel, 2023).

O FIE é descrito como uma abordagem orientada ao processo, com objetivos de desenvolver a aprendizagem de como aprender, funções cognitivas, resolução de problemas e habilidades metacognitivas. Como o estudo foi realizado em uma escola árabe-israelense e a intervenção durou um ano, o resultado não deve ser tratado como previsão automática para escolas brasileiras. Ele mostra uma associação promissora em um contexto específico e ajuda a formular a pergunta sobre quais estudantes podem se beneficiar mais de propostas que trabalham processos de aprendizagem, além de conteúdos.

Os resultados variam conforme o desenho e as condições do programa

O modelo New Tech Network (NTN) foi avaliado com estudantes do nono ano em quatro escolas de um estado do sudeste dos Estados Unidos, comparando escolas NTN de alta fidelidade com escolas tradicionais. Em delineamento quase experimental, os estudantes das escolas NTN obtiveram pontuações mais altas nos testes de fim de curso de matemática e ELA. O efeito permaneceu após o controle por nível de pobreza, raça e desempenho prévio (Culclasure, 2023).

Os estudantes NTN também foram ligeiramente mais propensos a obter créditos de dupla certificação. Mas o resultado não foi favorável em todos os indicadores: não houve efeito sobre a taxa de evasão, e os estudantes das escolas NTN foram mais propensos a ser retidos no ano escolar atual e a não avançar para o seguinte. Assim, mesmo um resultado positivo em testes de matemática não resume todo o desempenho de uma intervenção. A pesquisa aponta uma combinação de achados acadêmicos, sem autorizar uma conclusão de benefício geral em todas as dimensões.

Uma investigação de aprendizagem socioemocional universal acompanhou 40 turmas de primeiro ano do ensino fundamental em 13 escolas, comparando a implementação do programa SSIS SEL CIP com práticas habituais. Não foram observados efeitos principais estatisticamente significativos no engajamento, na motivação ou nas habilidades acadêmicas avaliadas pelos professores. Ainda assim, os tamanhos de efeito foram moderados a grandes e positivos para tempo de engajamento acadêmico e desempenho em matemática; estudantes com motivação inicial mais baixa também tiveram maior probabilidade de melhorar após a exposição ao programa (Hart, 2024).

Esse resultado pede uma leitura cuidadosa: os efeitos positivos apontados nos tamanhos de efeito não são o mesmo que um efeito principal estatisticamente significativo. O estudo examinou a implementação em condições rotineiras, com professores aplicando o programa segundo práticas locais habituais. Para a escola, a distinção é importante: pode haver sinais que mereçam investigação, mas eles não devem ser apresentados como prova conclusiva de que a proposta elevará as notas em qualquer turma.

Metacognição, engajamento e fatores de contexto ajudam a interpretar o desempenho

Uma pesquisa transversal com 965 estudantes de dez escolas de ensino médio de uma província da China analisou a relação entre metacognição matemática, estratégias de aprendizagem, engajamento e desempenho. A metacognição esteve associada às estratégias de aprendizagem e ao engajamento cognitivo e emocional. O engajamento emocional mediou integralmente a relação entre metacognição matemática e desempenho; as estratégias também se relacionaram ao engajamento comportamental e, por essa via, ao desempenho (Zhang, 2026).

Como o delineamento é transversal, o estudo descreve associações e caminhos estatísticos, não uma intervenção que prove que ensinar uma estratégia específica causará aumento de notas. Ainda assim, ajuda a ampliar o olhar do professor: pedir que o estudante monitore como está resolvendo um problema, por si só, não é a mesma coisa que observar se ele se envolve, persiste e participa do trabalho matemático.

Dois estudos sobre previsão reforçam a importância de não confundir diagnóstico com intervenção. Em Portugal, uma abordagem híbrida baseada em redes neurais artificiais foi treinada e testada com dados de 395 estudantes de duas escolas públicas do Alentejo. O modelo atingiu R² de 88,6% e acurácia cerca de 3% superior ao concorrente mais próximo descrito no estudo (Dogan, 2026). Esse é um resultado de previsão, não evidência de que uma intervenção específica aumente a aprendizagem.

Outro estudo comparou modelos de aprendizado de máquina para prever notas finais ou aprovação e reprovação em cursos de matemática e língua portuguesa. Modelos de boosting de gradiente alcançaram RMSE de 3,34 e F1 de 0,88 após ajuste de hiperparâmetros. Entre os atributos mais influentes estavam reprovações anteriores, consumo de álcool, tempo de estudo e escolaridade dos pais (Al-Shanableh, 2026). A previsão pode levantar perguntas sobre apoio, mas um fator associado ao prognóstico não deve ser tratado como causa nem como justificativa para rotular estudantes.

Por fim, uma comparação de dados do TIMSS 2019 examinou estudantes do oitavo ano na Coreia e do nono ano na África do Sul. O estudo identificou diferenças entre os países em adversidades e ativos associados à resiliência em matemática. Na amostra, motivação para aprender, autoconfiança e esforço foram os fatores internos que mais diferenciavam estudantes resilientes e não resilientes (Lee, 2026). A pesquisa destaca ativos e vulnerabilidades, mas não testa um programa escolar específico.

Quais estudos mostram resultados diferentes lado a lado?

Os estudos abaixo não medem exatamente a mesma coisa. A tabela resume o foco de cada pesquisa citada e o que seus resumos relatam; resultados de previsão, associações e avaliações de intervenção aparecem separados para evitar comparações indevidas.

O que há em comum e o que diverge entre os estudos?

Um ponto comum é que o desempenho em matemática aparece ligado a mais do que a exposição a conteúdos. A tutoria põe em jogo explicação e apoio entre colegas; o FIE trabalha processos cognitivos; o estudo chinês relaciona metacognição, engajamento e desempenho; e a comparação internacional destaca motivação, confiança e esforço como ativos associados à resiliência (Pierce, 2025; Tzuriel, 2023; Zhang, 2026; Lee, 2026).

Mas os desenhos e os resultados não permitem agrupar tudo como prova de uma mesma estratégia. Pierce relata benefícios de uma intervenção; Zhang encontra associações em um estudo transversal; Dogan e Al-Shanableh avaliam modelos preditivos. Prever quem pode ter dificuldade não demonstra que um programa específico resolverá essa dificuldade. Da mesma forma, uma associação entre engajamento e desempenho não confirma, por si só, a direção causal.

Há também resultados que parecem contraditórios, mas respondem a perguntas diferentes. O estudo de Charleston não encontra impacto mensurável e registra falhas em componentes previstos da implementação; a avaliação do NTN encontra notas mais altas nas escolas com alta fidelidade; e o estudo de ASE não encontra efeitos principais estatisticamente significativos, embora relate tamanhos de efeito positivos em alguns medidas de engajamento e matemática (Derrick, 2026; Culclasure, 2023; Hart, 2024).

O que ainda não está resolvido é quais componentes são indispensáveis, quanto acompanhamento é suficiente, quais estudantes se beneficiam mais e se os resultados se mantêm em outros contextos. Também é preciso considerar que um ganho em teste não garante melhora em permanência ou progressão escolar: no NTN, os resultados de matemática coexistem com ausência de efeito sobre evasão e maior probabilidade de retenção no ano atual.

Como aplicar esses achados na sala de aula?

Os estudos não entregam um roteiro universal para a escola brasileira. As ideias a seguir são aplicações possíveis inspiradas nos achados, não resultados testados pelos pesquisadores nas turmas do leitor.

1. Defina qual resultado quer acompanhar

Como aplicação, antes de iniciar uma proposta, escolha um sinal observável coerente com seu objetivo: resolução correta, explicação do raciocínio, participação em tarefas ou confiança para tentar. Imagine uma turma em que o objetivo é melhorar a resolução de problemas; o professor pode acompanhar, além de uma avaliação curta, se os estudantes conseguem explicar por que escolheram determinada estratégia. Isso evita tratar “melhora em matemática” como uma medida única e indiferenciada.

2. Planeje a implementação, não apenas a atividade

Como aplicação, transforme a proposta em passos possíveis na rotina: quem participa, com que frequência, que materiais são necessários e como será feito o acompanhamento. O estudo de Charleston mostra que componentes importantes — uso de bolsas e de dados para orientar a formação — não chegaram aos níveis previstos, embora a infraestrutura central tivesse alta fidelidade (Derrick, 2026). Em uma escola, uma breve revisão periódica pode revelar se a atividade está acontecendo como foi planejada ou se algum obstáculo está impedindo sua realização.

3. Estruture a tutoria entre pares

Como aplicação, se organizar pares para resolver problemas, dê uma tarefa clara a cada estudante e inclua momentos para trocar as funções de tutor e tutorado. Por exemplo, um estudante explica como verificou uma resposta, enquanto o colega faz perguntas e depois ambos resolvem uma questão nova. A pesquisa de Pierce relata benefícios em uma tutoria estruturada, não em qualquer interação espontânea; por isso, vale planejar o tipo de ajuda e observar se os dois lados estão aprendendo (Pierce, 2025).

4. Inclua espaço para perceber como se aprende

Como aplicação, após uma atividade, peça aos estudantes que identifiquem onde tiveram dúvida, qual estratégia tentaram e como verificaram o resultado. Uma turma hipotética pode comparar duas maneiras de resolver o mesmo problema e discutir qual etapa ajudou a detectar um erro. O estudo de Zhang associa metacognição a engajamento e desempenho, mas não testa essa rotina como intervenção; use-a como uma prática a observar, não como garantia de aumento de notas (Zhang, 2026).

5. Observe engajamento e confiança sem confundi-los com nota

Como aplicação, combine a avaliação de respostas com observações simples: quem inicia a tarefa, quem persiste depois de errar e quem pede ou oferece ajuda. Imagine que um estudante entrega poucas respostas, mas começa a tentar explicar seu raciocínio com mais frequência. Isso pode ser um sinal de participação a acompanhar, não uma prova de que o desempenho acadêmico já mudou. A distinção é importante diante dos estudos que medem engajamento, autoeficácia e notas como resultados diferentes.

6. Procure quem pode precisar de apoio adicional sem rotular

Como aplicação, use avaliações iniciais para localizar dificuldades e planejar novas oportunidades de aprendizagem, sem transformar um resultado baixo em previsão definitiva sobre o estudante. O FIE encontrou maior benefício para participantes com pontuações cognitivas iniciais mais baixas, em seu contexto específico (Tzuriel, 2023). Uma professora pode, por exemplo, oferecer uma etapa adicional de mediação e depois verificar se ela ajudou. A decisão deve continuar aberta à resposta concreta do estudante.

7. Acompanhe mais de um indicador de sucesso

Como aplicação, se uma proposta melhora os resultados em testes, observe também participação, progressão e possíveis dificuldades de implementação. O estudo do NTN encontrou notas mais altas em matemática, mas não efeito na evasão e maior propensão à retenção no ano escolar atual (Culclasure, 2023). Para uma equipe escolar, isso significa evitar um balanço baseado em um único indicador: uma intervenção pode apresentar avanços em uma dimensão e desafios em outra.

O que muda quando levamos esses estudos para o contexto brasileiro?

Os estudos vêm de contextos distintos: Estados Unidos, Israel, China, Portugal, Coreia e África do Sul. As condições de organização escolar, formação, avaliação e composição das turmas nesses lugares não devem ser presumidas iguais às das redes brasileiras. Os resumos não oferecem uma comparação direta com escolas do Brasil, então os achados servem para formular perguntas e hipóteses de adaptação, não para prever o mesmo efeito por aqui.

Isso é especialmente importante ao considerar modelos escolares, programas de formação e ferramentas de previsão. O resultado positivo do NTN ocorreu em escolas de alta fidelidade no sudeste dos Estados Unidos; o resultado do FIE veio de uma escola árabe-israelense; e o estudo de resiliência comparou estudantes coreanos e sul-africanos. Nenhum deles, por si só, estabelece que a mesma estrutura ou abordagem terá o mesmo resultado em uma escola municipal, estadual ou privada brasileira.

Uma forma prudente de adaptação é começar com uma pergunta delimitada: que dificuldade de aprendizagem a escola quer enfrentar? Em seguida, a equipe pode escolher uma prática que caiba na rotina, definir como será acompanhada e observar resultados em mais de uma dimensão. Se a proposta envolver formação docente, vale cuidar para que a formação esteja ligada aos dados e ao trabalho cotidiano — um ponto coerente com as dificuldades de implementação relatadas por Derrick (2026).

Também convém evitar transformar atributos de modelos preditivos em destino. Estudos de previsão identificam relações úteis para investigar, mas características como histórico de reprovações, tempo de estudo ou escolaridade familiar não autorizam concluir que um estudante terá determinado resultado, nem indicam sozinhas qual intervenção será eficaz (Dogan, 2026; Al-Shanableh, 2026). No Brasil, uma utilização responsável precisaria considerar a qualidade dos dados, a privacidade e o risco de reforçar desigualdades, além de manter a avaliação pedagógica nas mãos dos profissionais.

Quais são os limites desta leitura?

Este artigo se baseia nos resumos de estudos recentes, não na leitura integral dos artigos. Os resumos permitem identificar objetivos, contextos e resultados principais, mas não oferecem todos os detalhes necessários para julgar medidas, instrumentos, critérios de análise ou limitações específicas de cada pesquisa.

Ficam abertas perguntas importantes: quais componentes de cada intervenção explicam os resultados; como variaram a formação e o acompanhamento; quanto tempo os efeitos duraram; e em que condições as propostas poderiam ser adaptadas a escolas brasileiras. Também não é possível comparar diretamente os tamanhos de efeito de estudos com desenhos, idades, medidas e intervenções diferentes.

Faz sentido consultar o estudo completo quando a escola estiver considerando adotar um programa, quando for necessário avaliar a qualidade de sua implementação ou quando uma decisão depender de detalhes metodológicos. Isso é particularmente relevante para as pesquisas de previsão: antes de usar um modelo em decisões sobre estudantes, é preciso entender quais dados entraram, como o modelo foi validado e quais são seus limites — questões que não podem ser resolvidas apenas com os resumos apresentados aqui.

Como o GeraProva ajuda com programas de matemática?

O GeraProva pode apoiar a preparação de provas e atividades de matemática para verificar o que os estudantes compreenderam e identificar pontos que pedem retomada; isso não substitui a implementação de um programa, a observação da turma nem o acompanhamento pedagógico. Conheça o gerador de provas do GeraProva ou faça seu cadastro grátis para explorar a ferramenta.

Perguntas frequentes sobre programas para melhorar matemática

Adotar um programa garante melhora nas notas de matemática?

Não. Os estudos encontraram resultados diferentes. A avaliação do C3 não identificou impactos estatisticamente significativos no desempenho dos estudantes, enquanto a pesquisa do New Tech Network encontrou notas mais altas em testes de matemática nas escolas que implementaram o modelo com alta fidelidade. O FIE também relatou melhora em comparação com um grupo que seguiu o currículo regular, em uma escola específica. Esses resultados dependem do programa, do contexto, dos participantes e da forma de implementação; não constituem garantia para qualquer escola.

O que significa implementar um programa com fidelidade?

Significa que a proposta é realizada de acordo com seus componentes previstos, e não apenas adotada no papel. O estudo do New Tech Network comparou escolas de alta fidelidade com escolas tradicionais e encontrou resultados mais altos em testes de matemática nas primeiras. No estudo de Charleston, a infraestrutura central teve alto grau de fidelidade, mas componentes importantes — como o uso de bolsas e de dados para orientar o desenvolvimento profissional — ficaram abaixo do previsto. Portanto, avaliar a implementação inclui observar quais partes realmente chegam à rotina.

A tutoria entre estudantes pode ajudar em matemática?

Um estudo com estudantes do ensino médio relata que a tutoria entre pares beneficiou tutores e tutorados, com melhores resultados acadêmicos e fortalecimento da autoeficácia matemática. Os autores descrevem a consolidação da compreensão dos tutores ao ensinar e apoio personalizado para os tutorados. A pesquisa investigou relações estruturadas entre pares; isso não equivale a afirmar que qualquer dupla ou atividade ocasional terá o mesmo efeito. Como aplicação, o professor pode planejar papéis, tarefas e momentos de troca e acompanhar o que os estudantes aprendem.

Motivação e engajamento influenciam o desempenho em matemática?

Os estudos sugerem que esses aspectos merecem atenção, mas investigam relações diferentes. Na pesquisa chinesa, metacognição matemática esteve associada a engajamento e desempenho, e o engajamento emocional mediou a relação entre metacognição e desempenho. Na avaliação de aprendizagem socioemocional, não houve efeitos principais estatisticamente significativos, embora tenham sido relatados tamanhos de efeito positivos para tempo de engajamento e desempenho em matemática. Esses achados não provam que uma atividade isolada elevará notas, mas apoiam observar participação, confiança e aprendizagem em conjunto.

Modelos de inteligência artificial podem dizer qual estudante vai melhorar?

Os estudos de Dogan e Al-Shanableh avaliaram modelos para prever desempenho ou resultados acadêmicos a partir de dados. Eles relatam métricas de previsão e atributos associados aos resultados, mas não demonstram que o uso desses modelos provoque melhora na aprendizagem. Prever um risco não é o mesmo que identificar a intervenção adequada, e uma previsão não deve ser tratada como destino individual. Para uma escola, essas pesquisas são principalmente um convite a pensar com cuidado sobre dados, validação, privacidade e decisões pedagógicas, não uma recomendação automática de adoção.

Como avaliar se uma iniciativa está funcionando na minha turma?

Como aplicação, defina primeiro o resultado esperado e observe mais de um sinal: desempenho em tarefas, explicação do raciocínio, participação ou confiança para tentar. Registre o ponto de partida e retome as mesmas evidências após um período combinado, considerando também se a atividade foi realizada como planejado. Os estudos mostram que resultados podem divergir entre dimensões: o NTN teve resultados favoráveis em testes, mas não em evasão; o estudo de ASE não encontrou efeitos principais significativos, embora tenha relatado alguns tamanhos de efeito positivos. Uma avaliação local não prova causalidade, mas pode orientar ajustes e novas perguntas.

Referências

1. Derrick, C., Snyder, C., Dowell, K., LaRoche, K., Beck, K., & Mack, C. (2026). C3: Escolha em Competência Cultural. Relatório de Avaliação de Impacto do EIR em Charleston (C3: Choice in Cultural Competency. Charleston EIR Impact Evaluation Report). Grantee Submission. link.
2. Pierce, E., & Lewis, T. (2025). Aumentando o desempenho em matemática e a autoeficácia de estudantes do ensino médio por meio da tutoria entre pares (Increasing High School Students' Math Achievement and Self-Efficacy through Peer Tutoring). Education Leadership Review of Doctoral Research. link.
3. Hart, S. C., DiPerna, J. C., Lei, P.-W., Zhao, H., Sun, T., Li, X., & Husmann, K. (2024). A aprendizagem socioemocional universal promove o sucesso acadêmico? Análise dos resultados dos estudantes em condições rotineiras em turmas do primeiro ano do ensino fundamental (Does Universal SEL Promote Academic Success? Examining Learner Outcomes under Routine Conditions in First-Grade Classrooms). AERA Open. link.
4. Culclasure, B. T., Stocks, E., & Odell, M. R. L. (2023). O Impacto do Modelo New Tech Network nos Resultados Acadêmicos (The Impact of the New Tech Network Design on Academic Outcomes). Interdisciplinary Journal of Problem-based Learning. link.
5. Tzuriel, D., Cohen, S., Feuerstein, R., Devisheim, H., Zaguri-Vittenberg, S., Goldenberg, R., Yosef, L., & Cagan, A. (2023). Avaliação do Programa de Enriquecimento Instrumental de Feuerstein (FIE) entre estudantes árabes-israelenses (Evaluation of the Feuerstein Instrumental Enrichment (FIE) Program among Israeli-Arab Students). International Journal of School & Educational Psychology. link.
6. Dogan, G., & Demiralp, D. (2026). Predição do Desempenho Acadêmico de Estudantes do Ensino Fundamental II em Matemática com uma Nova Abordagem Híbrida (Predicting Middle School Students' Academic Achievement in Mathematics with a New Hybrid Approach). International Journal of Assessment Tools in Education. link.
7. Al-Shanableh, N., Alzyoud, M. S., Khalil, A., Benlamine, M., Kraidia, I., Damrah, S., & Tabakhi, A. M. (2026). Previsão do desempenho acadêmico dos estudantes em dados educacionais utilizando técnicas de aprendizado de máquina (Forecasting Students' Academic Performance in Educational Data Using Machine Learning Techniques). International Journal of Information and Communication Technology Education. link.
8. Zhang, Q., Wu, J., & Yang, Y. (2026). Associação entre a metacognição matemática e o desempenho acadêmico de estudantes do ensino médio: uma análise de mediação em cadeia das estratégias de aprendizagem e do engajamento (Association of Mathematical Metacognition with High School Students' Academic Achievement: A Chain-Mediated Analysis of Learning Strategies and Engagement). International Journal of Science and Mathematics Education. link.
9. Lee, J., & Kaur, J. (2026). Caminhos Baseados em Ativos para a Resiliência Acadêmica na Coreia e na África do Sul: Um Estudo Comparativo das Lacunas de Desempenho em Matemática no TIMSS com Base em Fatores de Risco e de Proteção (Asset-Based Pathways to Academic Resilience in Korea and South Africa: A Comparative Study of TIMSS Math Achievement Gaps Based on Risk and Protective Factors). Large-scale Assessments in Education. link.

Se uma dessas ideias conversa com um desafio da sua turma, escolha uma, adapte ao seu contexto e observe com curiosidade o que os estudantes fazem com ela.