Pesquisa educacional em matemática: boas ideias também têm resultados contraditórios

Em matemática, uma estratégia inovadora pode ajudar — e ainda assim produzir resultados diferentes de uma turma para outra. Pesquisas recentes sobre robótica, jogos e modelos de ensino mostram esse contraste: há sinais positivos, mas também heterogeneidade, contradições e questões que continuam abertas.

Para o professor, essa é uma conclusão útil: pesquisa educacional não oferece uma receita que funcione igual em qualquer contexto. Ela ajuda a formular perguntas melhores, observar o que os estudantes fazem e escolher intervenções com mais critério. A seguir, reunimos estudos recentes sobre aprendizagem, erros, tecnologia, linguagem e equidade para transformar tendências em possibilidades concretas de sala de aula.

O que é pesquisa educacional aplicada ao ensino de matemática no fundamental e médio e por que importa para o professor?

Pesquisa educacional aplicada ao ensino de matemática é a investigação sistemática de como estudantes aprendem, como professores ensinam e em que condições determinadas práticas podem apoiar a aprendizagem. Na rotina escolar, ela se aproxima de perguntas bem concretas: que tipos de erro aparecem ao resolver frações? Como uma atividade com jogo se relaciona com o conteúdo? O que muda quando estudantes precisam explicar o próprio raciocínio?

Esse campo não se limita a testar uma técnica e declarar que ela funciona. Há revisões que reúnem resultados de vários estudos, análises que mapeiam tendências de pesquisa e investigações sobre grupos, ferramentas ou práticas específicas. Cada tipo de estudo ilumina uma parte do problema. Uma revisão sobre robótica, por exemplo, pode indicar tendências e contradições; uma síntese sobre erros pode organizar dificuldades recorrentes em determinados conteúdos.

O valor para o professor está em usar essas evidências como apoio à decisão, sem confundir associação, possibilidade e recomendação universal. A pesquisa pode inspirar uma atividade, mas a observação dos estudantes continua essencial: quem entendeu? Que estratégia apareceu? Onde o raciocínio se interrompeu? A resposta prática depende também das condições da escola, do conteúdo, do tempo e dos recursos disponíveis.

O que a pesquisa recente mostra sobre o ensino de matemática?

Inovação pedagógica pode favorecer o pensamento crítico, mas os resultados variam

Uma meta-análise sobre educação matemática e estatística reuniu dados de 19 estudos que investigaram modelos como aprendizagem baseada em problemas, aprendizagem híbrida e ensino baseado no metaverso. Os autores encontraram um efeito geral grande em favor dos métodos inovadores nas habilidades de pensamento crítico, com g de Hedges igual a 1,03. Ao mesmo tempo, a heterogeneidade foi substancial: I² de 91,37%. Isso aponta que os resultados variaram bastante entre os estudos e que fatores moderadores podem estar envolvidos (Sa’idah, 2026).

A combinação desses resultados merece atenção. O achado geral é promissor, mas não significa que qualquer atividade chamada de inovadora vá fortalecer o pensamento crítico em qualquer turma. A revisão também destaca que havia representação limitada de estudos sobre pensamento crítico em estatística e defende novas pesquisas em contextos diversos e com implementações de longo prazo. Para o professor, a leitura mais prudente é tratar o modelo pedagógico como uma hipótese de trabalho, acompanhada de objetivos e observação, não como garantia.

Uma revisão sistemática sobre robótica educacional analisou 44 artigos publicados a partir de 2020. Ela relata um papel positivo da robótica em diferentes aspectos do ensino de matemática, envolvendo estudantes de diferentes níveis e professores em formação ou em exercício, mas também aponta contradições em alguns resultados. O trabalho se propôs a identificar áreas menos exploradas, tendências e desafios para pesquisas futuras (Ibá, 2026).

Assim, a robótica aparece como possibilidade pedagógica, não como solução automática. O resumo da revisão não transforma a presença de um robô em evidência de aprendizagem por si só; a questão é o que os estudantes precisam pensar e fazer com ele. Uma atividade pode envolver sequência, medida ou representação, mas essa escolha é uma aplicação possível do professor, não um resultado específico atribuído à revisão.

Jogos e cultura podem aproximar a matemática da experiência dos estudantes

Uma revisão sistemática examinou pesquisas sobre aprendizagem de matemática com jogos digitais contextualizados culturalmente. Dos 153 documentos inicialmente encontrados, 14 atenderam aos critérios de inclusão e qualidade. Os estudos incluídos recorreram com frequência a métodos qualitativos e experimentais; os participantes eram estudantes do ensino fundamental, e os conteúdos dos anos iniciais apareciam amplamente. Entrevistas, questionários, observações e testes foram os instrumentos mais usados (Usman, 2026).

A maioria dos estudos relatou efeitos positivos nas atitudes, no engajamento, nas experiências e nos processos de aprendizagem. A revisão, porém, não recomenda apenas acrescentar elementos culturais ou digitais. Ela destaca a necessidade de jogos com fundamentação teórica, relevância cultural e consistência pedagógica, capazes de apoiar estudantes diversos e objetivos matemáticos mais avançados. Esse cuidado ajuda a separar um recurso atraente de uma atividade que efetivamente se conecta ao que se quer ensinar.

A cultura, nessa revisão, está relacionada à cultura e à identidade dos estudantes. Isso abre uma pergunta prática: o contexto do jogo faz sentido para quem participa ou aparece só como decoração? Uma aplicação possível seria convidar a turma a comparar estratégias de pontuação em um jogo inspirado em práticas familiares ou comunitárias, explicitando o conceito matemático em estudo. O exemplo é uma proposta de aplicação, não uma atividade testada pelos autores da revisão.

Olhar para os erros pode revelar onde o raciocínio precisa de apoio

Uma revisão sistemática sobre estudantes com dificuldades em matemática sintetizou 17 estudos de análise de erros. Os tópicos investigados incluíram frações — tanto cálculo quanto representação —, resolução de problemas e cálculo em geral. A revisão identificou diversos tipos comuns de erros nesses domínios e observou que os critérios usados para identificar dificuldades e os processos de codificação variavam entre os estudos (Lin, 2025).

Esse resultado orienta uma distinção importante: uma resposta incorreta é uma evidência para investigar, não um diagnóstico completo sobre o estudante. Se a turma erra uma operação com frações, vale observar se a dificuldade está na representação, no cálculo ou na compreensão do problema. A revisão não oferece uma única classificação universal de erros; pelo contrário, a variação nos critérios torna ainda mais importante registrar o que o aluno fez e não apenas marcar certo ou errado.

O estudo discute implicações para profissionais da educação e pesquisadores. Uma forma de aplicar essa pista é usar uma questão curta em que os estudantes mostrem o caminho, comparar estratégias anônimas e planejar uma retomada a partir dos padrões observados. Isso é uma sugestão de uso em sala, inspirada no tema da revisão; não é uma intervenção específica cujo efeito tenha sido relatado por ela.

Tecnologia e inteligência artificial aparecem como campo amplo, não como ferramenta única

Uma revisão sistemática sobre inteligência artificial na educação matemática mapeou aplicações e tendências a partir de artigos de periódicos indexados na Web of Science e na Scopus. Ela diferencia ferramentas voltadas a problemas matemáticos específicos — como resolver equações e visualizar conceitos de geometria — de apoios pedagógicos mais amplos, como aprendizagem adaptativa e plataformas de IA generativa. Entre os aspectos examinados estão níveis de ensino, categorias de ferramentas, funcionalidades comerciais e tendências futuras (Awang, 2025).

O resumo apresenta a revisão como um panorama para ajudar educadores a reconhecer aplicações e adaptar ferramentas a estratégias e necessidades de aprendizagem. Não relata um resultado único de aprendizagem que permita concluir que a IA melhora, por si só, o desempenho matemático. Portanto, o uso mais responsável começa pela pergunta pedagógica: que apoio é necessário? Um recurso para visualizar geometria e uma plataforma adaptativa não cumprem necessariamente a mesma função.

Também é preciso avaliar a atividade matemática que fica a cargo do estudante. Uma aplicação possível é comparar a resposta sugerida por uma ferramenta com a resolução feita pela turma, pedindo que os alunos verifiquem cada etapa e justifiquem concordâncias ou dúvidas. Essa proposta de sala é uma aplicação do panorama, não um achado experimental atribuído à revisão.

Linguagem, identidade e equidade fazem parte das condições de aprender

Uma análise das pesquisas sobre língua e multilinguismo na educação matemática na África Subsaariana cobriu trabalhos publicados de 2010 a 2023. A análise identificou cinco temas: língua como recurso para construir conhecimento matemático; domínio da língua de ensino por professores e estudantes; política linguística; práticas em salas multilíngues; e teoria sobre língua e comunicação em educação matemática. O conjunto analisado demonstrou uma consciência geral da língua como recurso e recomendou operacionalizar essa ideia, inclusive com práticas como a translinguagem (Essien, 2025).

Esse recorte regional é importante: os resultados tratam de pesquisas da África Subsaariana, e não descrevem diretamente escolas brasileiras. Ainda assim, ajudam a lembrar que compreender matemática envolve interpretar enunciados, explicar relações e comunicar estratégias. No Brasil, a diversidade linguística e cultural assume configurações próprias; cabe ao professor observar quais recursos de linguagem ajudam sua turma a construir sentido, sem importar políticas ou conclusões de outro contexto como se fossem equivalentes.

Outra revisão examinou 920 artigos publicados ao longo de duas décadas sobre raça/etnia em educação matemática. A análise identificou 11 tópicos distribuídos em níveis individuais, interpessoais, comunitários e sociais. “Identidade” e “ameaça do estereótipo” ganharam destaque como temas em ascensão, enquanto “escolha de disciplinas e ingresso no ensino superior” e “programa escolar e práticas pedagógicas” perderam popularidade gradualmente (Yeo, 2025).

Esse trabalho mapeia temas e mudanças na pesquisa, não testa uma prática específica para uma turma. Sua contribuição é ampliar o foco: equidade em matemática também é pesquisada em dimensões que vão além do conteúdo e da técnica de resolução. Para a sala, uma aplicação possível é revisar exemplos, interações e oportunidades de participação, perguntando se todos os estudantes têm espaço real para apresentar estratégias. Essa é uma reflexão pedagógica inspirada no mapeamento, não uma conclusão experimental do estudo.

Implementar uma abordagem exige mais do que adotar um modelo

Uma revisão sobre a implementação de RTI/MTSS em matemática analisou pesquisas em escolas públicas dos Estados Unidos. O estudo descreve que as pesquisas e práticas relacionadas a esses sistemas estavam passando do foco na construção do modelo para o foco na implementação. Ao analisar a literatura sob a perspectiva da ciência da implementação, os autores apontaram a necessidade de mais pesquisas sobre fidelidade de implementação, intervenção sistêmica, administração facilitadora, sistemas de dados para apoiar decisões, coaching e seleção (Zhang, 2024).

RTI/MTSS são modelos ligados ao contexto educacional norte-americano; sua organização não deve ser tratada como política brasileira. O ponto aproveitável com cautela é mais geral: ao experimentar uma intervenção, importa olhar para como ela foi colocada em prática, para os apoios disponíveis e para as informações usadas nas decisões. A revisão evidencia perguntas ainda abertas sobre implementação, em vez de oferecer uma fórmula pronta para importar.

O que os estudos sobre matemática investigaram e o que relatam?

Os trabalhos citados variam em objeto e método: há meta-análise de modelos de ensino, revisões sistemáticas sobre recursos ou dificuldades e mapeamentos de temas de pesquisa. A tabela resume apenas as informações apresentadas nos respectivos resumos.

O que os estudos têm em comum e onde divergem?

Em conjunto, os estudos tratam o ensino de matemática como algo que depende de mais do que apresentar conteúdo. O raciocínio, a linguagem, as experiências culturais, os recursos disponíveis e a forma de implementar uma proposta entram no quadro. Vários trabalhos também procuram organizar evidências dispersas: revisam estudos anteriores em vez de apresentar uma única atividade como resposta para toda a educação básica.

A diferença mais evidente está no tipo de afirmação que cada síntese permite. A meta-análise de Sa’idah apresenta um efeito agregado e, junto dele, alta heterogeneidade. A revisão sobre robótica aponta um papel positivo, mas também contradições. A revisão sobre jogos relata que a maioria dos estudos encontrou efeitos positivos em dimensões como engajamento, sem converter isso em garantia de melhora em qualquer conteúdo ou etapa.

Outros trabalhos são sobretudo mapas do que foi estudado. A revisão sobre IA organiza categorias e tendências; a análise sobre raça/etnia descreve temas ao longo do tempo; e a revisão sobre multilinguismo identifica conceitos e lacunas em uma região específica. Já a revisão sobre erros mostra que critérios de identificação e codificação variam, o que torna difícil tratar todos os resultados como se usassem a mesma régua.

Continuam em aberto questões importantes: quais características das atividades explicam resultados diferentes? Como sustentar uma intervenção ao longo do tempo? Como adaptar recursos digitais sem perder de vista o objetivo matemático? Que grupos e etapas estão menos representados em cada linha de pesquisa? Os resumos não permitem responder a tudo isso, mas mostram por que a decisão docente precisa combinar evidência, contexto e observação.

Como aplicar essas pistas na sala de aula de matemática?

As propostas abaixo são aplicações possíveis das ideias discutidas, não resultados atribuídos diretamente aos estudos. O professor pode escolher uma, ajustar ao conteúdo que já está trabalhando e observar o que os estudantes produzem.

1. Registre o caminho do erro, não só a resposta

Aplicação: selecione uma questão de frações ou resolução de problemas e peça que os alunos mostrem as etapas. Em uma turma hipotética, o professor pode comparar respostas incorretas para perceber se a dificuldade parece estar na representação da fração, no cálculo ou na leitura da situação. A revisão de Lin mostra que esses domínios aparecem nas pesquisas sobre padrões de erros, mas a classificação da turma deve ser feita com cuidado, sem transformar uma resposta isolada em rótulo.

2. Defina primeiro o objetivo, depois escolha a tecnologia

Aplicação: antes de usar robô, jogo ou ferramenta de IA, escreva em uma frase o que os estudantes deverão compreender ou explicar. Imagine uma turma que trabalha com uma tarefa de geometria: o recurso pode ser escolhido para apoiar a visualização, desde que a turma também precise justificar o que observou. As revisões de robótica e IA mapeiam possibilidades, mas não autorizam supor que a presença da tecnologia, sozinha, produza aprendizagem.

3. Use o jogo como parte da sequência, não como intervalo do conteúdo

Aplicação: escolha um jogo digital ligado a um conceito e planeje uma conversa antes e depois da partida. Uma turma hipotética poderia comparar estratégias e explicar quais relações matemáticas ajudaram a tomar decisões. A revisão de Usman relata efeitos positivos na maioria dos estudos incluídos, mas também destaca a necessidade de coerência pedagógica, relevância cultural e objetivos de aprendizagem mais avançados. Vale verificar se o jogo realmente exige pensar sobre matemática.

4. Convide os estudantes a formular problemas

Aplicação: depois de estudar uma situação matemática, peça que os alunos criem uma pergunta que possa ser respondida com os dados disponíveis, e depois troquem problemas para resolver. Por exemplo, uma turma hipotética pode transformar uma situação de medidas em duas perguntas de níveis diferentes. Essa sugestão conversa com a formulação de problemas como abordagem pedagógica descrita no estudo de Cai, mas não é um achado específico das demais revisões reunidas aqui. Combine criação, resolução e análise das estratégias.

5. Dê atenção às palavras que sustentam o raciocínio

Aplicação: em uma tarefa com enunciado, peça que os estudantes expliquem com suas palavras o que sabem e o que precisam descobrir. Se houver diferentes repertórios linguísticos na turma, permita que a conversa inicial use os recursos de linguagem que ajudem a construir sentido, seguida de uma organização da explicação matemática. O estudo de Essien discute essa questão na África Subsaariana; a proposta para uma turma brasileira é uma adaptação pedagógica, não uma transposição direta de políticas ou resultados regionais.

6. Planeje intervenções com acompanhamento

Aplicação: se uma atividade revelar dificuldades, defina qual apoio será oferecido, por quanto tempo e que evidência será observada na próxima tarefa. Uma turma hipotética pode receber uma retomada breve sobre um padrão de erro e resolver uma questão semelhante depois. A revisão de Zhang destaca perguntas de implementação, como fidelidade, sistemas de dados e apoio à equipe, no contexto norte-americano de RTI/MTSS. O uso aqui é uma ideia de acompanhamento, não a adoção automática do modelo.

7. Observe quem participa e quem tem suas ideias consideradas

Aplicação: durante a discussão matemática, registre quais estratégias aparecem e como a turma responde a elas. Em uma situação hipotética, o professor pode convidar diferentes estudantes a explicar caminhos distintos para uma mesma questão, sem presumir que uma única forma de participação revele capacidade matemática. O mapeamento de Yeo coloca identidade e ameaça do estereótipo entre temas em ascensão na pesquisa; a sugestão de observar oportunidades de participação é uma aplicação reflexiva, não uma intervenção testada por esse estudo.

O que muda ao levar essas pesquisas para o contexto brasileiro?

O principal cuidado é reconhecer que os contextos de origem não são intercambiáveis. A pesquisa de Essien trata de língua e multilinguismo na África Subsaariana; a de Zhang revisa a implementação de RTI/MTSS em escolas públicas dos Estados Unidos. As conclusões desses trabalhos não descrevem automaticamente a organização, as políticas ou as condições das escolas brasileiras. Da mesma forma, os resumos de revisões internacionais não indicam que os participantes representem todas as etapas e realidades do Brasil.

Isso não significa que os estudos sejam inúteis para quem ensina aqui. Eles ajudam a formular perguntas que podem ser investigadas localmente: que linguagem favorece a compreensão nesta turma? Como a escola acompanha dificuldades? O jogo ou a ferramenta está alinhado ao objetivo que foi definido? Para responder, o professor pode considerar os recursos disponíveis, o acesso digital, o repertório cultural dos estudantes e o tempo necessário para ensinar e avaliar.

Também é prudente não transformar tendência de pesquisa em política escolar. A revisão sobre raça/etnia mapeia a evolução de temas; não prescreve uma intervenção para escolas brasileiras. A meta-análise sobre pensamento crítico encontrou efeito agregado grande, mas heterogeneidade substancial; portanto, não assegura o mesmo resultado em qualquer rede ou sala. Adaptar significa preservar a pergunta pedagógica, testar uma aplicação possível e observar o que acontece no próprio contexto.

Quais são os limites desta leitura?

Este artigo se baseia nos resumos de estudos recentes, não na leitura integral de cada publicação. Por isso, apresenta os objetivos, os resultados e as ressalvas informados nesses resumos, sem avaliar detalhes que só poderiam ser examinados nos textos completos. As pesquisas também têm escopos diferentes: algumas sintetizam estudos anteriores, outras mapeiam temas, e nem todas se concentram especificamente no ensino médio ou em escolas brasileiras.

Ficam em aberto perguntas sobre a composição de cada amostra, a duração das intervenções, os instrumentos usados em estudos individuais e as condições que podem explicar resultados divergentes. Para decidir sobre a adoção de uma intervenção em escala, elaborar uma formação ou investigar uma questão específica da escola, faz sentido consultar o estudo completo e verificar seus métodos, limites e contexto. Para uma primeira orientação, os resumos ajudam a identificar pistas e perguntas relevantes, mas não substituem essa leitura aprofundada.

Como o GeraProva ajuda com este assunto?

As pesquisas reunidas aqui podem inspirar atividades que peçam aos estudantes para mostrar estratégias, interpretar problemas e explicar raciocínios. Com o gerador de provas do GeraProva, o professor pode preparar questões para avaliação e adaptar o material ao que está trabalhando; a ferramenta não substitui o julgamento pedagógico nem garante, por si só, uma avaliação alinhada a cada objetivo. Para conhecer a plataforma, você pode fazer o cadastro grátis.

Perguntas frequentes sobre pesquisa educacional em matemática

Pesquisa recente prova que métodos inovadores são melhores em matemática?

Não de forma universal. Uma meta-análise de 19 estudos encontrou efeito geral grande dos modelos inovadores sobre pensamento crítico em matemática e estatística, mas também identificou heterogeneidade substancial entre os resultados (Sa’idah, 2026). Isso quer dizer que o efeito agregado é promissor, mas os resultados variaram, e podem existir fatores que influenciam o que acontece em cada situação. Para o professor, a conclusão não é abandonar outras abordagens nem adotar qualquer novidade sem critério. É escolher uma estratégia coerente com o objetivo, acompanhar a aprendizagem e considerar o contexto da turma.

Robótica educacional funciona para ensinar matemática?

Uma revisão de 44 artigos publicados a partir de 2020 relata que a robótica educacional teve papel positivo em diferentes aspectos do ensino de matemática, envolvendo estudantes de vários níveis e também professores. A mesma revisão aponta contradições em alguns resultados e identifica desafios para pesquisas futuras (Ibá, 2026). Portanto, os achados apoiam a robótica como possibilidade, mas não como garantia de sucesso. Na prática, vale definir qual ideia matemática será trabalhada e o que os estudantes precisarão fazer com o recurso. O robô deve servir à atividade matemática, não ocupar o lugar do objetivo de aprendizagem.

Jogos digitais ajudam a aprender matemática ou só aumentam o engajamento?

A revisão sobre jogos digitais contextualizados culturalmente relata que a maioria dos estudos incluídos encontrou efeitos positivos nas atitudes, no engajamento, nas experiências e nos processos de aprendizagem. Foram analisados 14 estudos, com presença ampla de conteúdos dos anos iniciais do ensino fundamental (Usman, 2026). Esses resultados incluem dimensões diferentes: engajamento não é a mesma coisa que domínio de um conceito. A revisão também destaca a importância de fundamentação teórica, relevância cultural e consistência pedagógica. Por isso, uma boa pergunta para selecionar um jogo é se ele apoia o objetivo matemático e permite observar o raciocínio, além de tornar a atividade atraente.

Como usar a análise de erros sem rotular os estudantes?

Comece tratando o erro como informação sobre uma resposta ou estratégia, não como definição da capacidade do aluno. Uma revisão de 17 estudos encontrou pesquisas sobre erros em frações, resolução de problemas e cálculo, mas também observou variação nos critérios para identificar dificuldades e nos processos de codificação (Lin, 2025). Em sala, uma aplicação possível é pedir que os estudantes registrem as etapas e examinar o padrão antes de planejar uma retomada. Uma resposta incorreta pode ter diferentes causas, então é melhor buscar evidências em mais de uma questão e conversar sobre o raciocínio. A revisão não estabelece um diagnóstico individual pronto para uso.

O que a pesquisa diz sobre inteligência artificial no ensino de matemática?

Uma revisão sistemática mapeou ferramentas de IA voltadas a tarefas matemáticas específicas, como equações e visualização de geometria, e ferramentas de apoio pedagógico mais amplo, como aprendizagem adaptativa e IA generativa (Awang, 2025). O resumo apresenta uma classificação de aplicações, funcionalidades e tendências; não relata um resultado único que prove que a IA melhora a aprendizagem em qualquer condição. Para decidir se uma ferramenta serve à turma, o professor pode verificar qual necessidade ela atende e que papel intelectual permanece com o estudante. Uma atividade de conferência crítica de respostas é uma aplicação possível, mas não deve ser apresentada como efeito demonstrado pela revisão.

Posso aplicar no Brasil os modelos de apoio estudados nos Estados Unidos?

Não automaticamente. A revisão de Zhang trata da implementação de RTI/MTSS em escolas públicas dos Estados Unidos e aponta temas que precisam de mais pesquisa, incluindo fidelidade de implementação, sistemas de dados e apoio à equipe (Zhang, 2024). Esses modelos pertencem a um contexto educacional específico, e a revisão não autoriza tratá-los como política brasileira. Ainda assim, o estudo pode inspirar perguntas gerais sobre como uma escola acompanha uma intervenção e quais condições ajudam a mantê-la. Antes de adotar um modelo, é necessário verificar sua compatibilidade com a organização, os recursos e as necessidades da rede ou escola brasileira.

Referências dos estudos citados

1. Sa’idah, Nusrotus; Jailani; Sudiyatno; Retnawati, Heri (2026). Modelos inovadores de ensino e pensamento crítico na educação matemática e estatística: uma revisão meta-analítica (Innovative Teaching Models and Critical Thinking in Mathematics and Statistics Education: A Meta-Analytical Review). International Journal of Research in Education and Science. Link.
2. Ibáñez-Carrasco, Marcelo; Henríquez-Rivas, Carolina (2026). Robótica educacional no ensino de matemática: uma revisão sistemática (Educational Robotics in Mathematics Education: A Systematic Review). European Journal of Science and Mathematics Education. Link.
3. Usman, Zea Zisman; Priatna, Nanang; Juandi, Dadang; Fitria, Trisonia (2026). Aprendizagem baseada em jogos digitais no ensino e na aprendizagem de matemática em contextos culturais: uma revisão sistemática da literatura (Digital Game-Based Learning in Mathematics Learning with Cultural Contexts: A Systematic Literature Review). Journal of Research and Advances in Mathematics Education. Link.
4. Lin, Tzu-Hsing; Riccomini, Paul J.; Liang, Zhigao (2025). Padrões de erros matemáticos de estudantes com dificuldades em matemática: uma revisão sistemática (Mathematical Error Patterns of Students with Mathematics Difficulty: A Systematic Review). Learning Disability Quarterly. Link.
5. Awang, Liz A.; Yusop, Farrah D.; Danaee, Mahmoud (2025). Práticas atuais e perspectivas futuras da inteligência artificial na educação matemática: uma revisão sistemática (Current Practices and Future Direction of Artificial Intelligence in Mathematics Education: A Systematic Review). International Electronic Journal of Mathematics Education. Link.
6. Essien, Anthony A.; Moleko, Matshidiso (2025). Pesquisas sobre língua e multilinguismo na Educação Matemática na África Subsaariana (Research on Language and Multilingualism in Mathematics Education in Sub-Saharan Africa). Africa Education Review. Link.
7. Yeo, Sheunghyun; Son, Taekwon; Hwang, Sunghwan; Han, Jaepil; Byun, Sunghwan (2025). Raça/etnia na Educação Matemática: quais temas aparecem e como mudam ao longo do tempo? (Race/Ethnicity in Mathematics Education: What Topics Appear and How Do They Change over Time?). International Journal of Mathematical Education in Science and Technology. Link.
8. Zhang, Jingyuan; Xin, Yan Ping (2024). Implementação do RTI/MTSS em Matemática: uma Revisão da Literatura sob a Perspectiva da Ciência da Implementação (Mathematics RTI/MTSS Implementation: A Literature Review from the Perspective of Implementation Science). Insights into Learning Disabilities. Link.

Se alguma dessas pistas conversa com um desafio da sua turma, escolha uma pergunta, teste uma aplicação pequena e observe o que os estudantes mostram. Boa aula — e boas descobertas matemáticas!