Governança e Aplicação de Inteligência Artificial Generativa no Ensino de Filosofia: Modelo de Inovação Pedagógica e Formação Docente (LENFI/UFSCar - PNED/MEC)

Adriana Mattar Maamari

CASE DE INOVAÇÃO E PROJETO DE TECNOLOGIA EDUCACIONAL Título: Governança e Aplicação de Inteligência Artificial Generativa no Ensino de Filosofia: Modelo de Inovação Pedagógica e Formação Docente (LENFI/UFSCar - PNED/MEC) Proponente e Liderança Científica: Profa. Dra. Adriana Mattar Maamari — Universidade Federal de São Carlos (UFSCar)

1. Enquadramento, Objeto de Inovação e Definições Operacionais

O avanço acelerado de Modelos de Linguagem de Grande Porte (LLMs) na Educação Básica exige soluções operacionais para a transformação digital das redes públicas. Em alinhamento com a Política Nacional de Educação Digital (PNED - Lei nº 14.533/2023) e as diretrizes do MEC, o objeto deste projeto é o desenvolvimento, validação e transferência de uma metodologia de governança e engenharia de prompts voltada à formação docente no Laboratório de Ensino de Filosofia (LENFI/UFSCar).

1.1. Definições Operacionais e Mecanismo Cognitivo

Governança de IA Educacional: Protocolos pedagógicos e técnicos que normatizam a seleção, auditabilidade, privacidade de dados (LGPD) e o uso ético-crítico de LLMs no ambiente escolar.

Auditoria Conceitual: Procedimento analítico de checagem de saídas de LLMs para identificação de alucinações de dados, anacronismos e vieses ideológicos.

Mecanismo Cognitivo e Indicador Validado (IACA): A auditoria opera como geradora de dissonância cognitiva (Gallo, 2012). O ganho em competência argumentativa é mensurado pelo Instrumento de Avaliação da Coerência Argumentativa (IACA) — adaptado do modelo estrutural de Toulmin —, avaliando a capacidade do estudante de identificar premissas, garantias, refutações e modalizadores em fases pré (T 0 ) e pós-intervenção (T 2 ).

1.2. Matriz Hermenêutico-Algorítmica e Camadas Operacionais

Diferente das rubricas padronizadas de AI Literacy (Ng et al., 2021), que avaliam apenas usabilidade e acurácia factual genérica, a Matriz Hermenêutico-Algorítmica atua na estrutura lógico-conceitual do pensamento filosófico em 3 camadas operacionais:

Camada 1 (Sintética / Chain-of-Thought - T 0 ): Produção de síntese conceitual via encadeamento de raciocínio lógico pelo LLM (Wei et al., 2022).

Camada 2 (Auditoria Hermenêutica / Benchmarking - T 1 ): Avaliação cega da saída por meio da rubrica IACA em 4 dimensões filosóficas pontuadas na escala Likert 0–3.

Camada 3 (Objeção Dialética / Counter-Prompting - T 2 ): Submissão do modelo a restrições de Self-Consistency (Wang et al., 2022), forçando o algoritmo a sustentar a antítese conceitual diante do texto de referência.

2. Ancoragem em Referências, Estado da Arte e Mapeamento da Lacuna (PRISMA)

2.1. Mapeamento PRISMA e Tabela de Extração (n=11)

A Revisão Sistemática (2023–2026) nas bases SciELO, Scopus, ERIC, BDTD/CAPES, LA Referencia e Google Acadêmico seguiu o fluxo PRISMA: Identificação (n=214) → Removidos por duplicidade (n=34) → Triagem de título/resumo (n=180) → Excluídos por escopo (n=138) → Texto completo (n=42) → Amostra final (n=11).

ID / Autores Desenho de Pesquisa Objeto de Estudo Lacuna Identificada / Limitação E1 (Silva & Costa, 2023) Ensaio Teórico Ética e LGPD no uso de IA por professores Ausência de protocolos operacionais de sala de aula.

E2 (Santos et al., 2023) Estudo de Caso (N=12) Uso do ChatGPT no Ensino Superior Restrito a cursos de exatas; sem análise de Humanidades.

E3 (Oliveira, 2024) Revisão Narrativa Mapeamento de ferramentas de IA na educação Abordagem comercial e descritiva; sem validação empírica.

E4 (Martins & Lima, 2024) Pesquisa-Ação (N=15) Formação de professores em letramento digital Foco em ferramentas de produtividade genéricas.

E5 (Ferreira et al., 2024) Quantitativo (N=45) Percepção docente sobre IA em exames Mede apenas aceitação/rejeição; sem mediação didática.

E6 (Almeida, 2025) Estudo Exploratório Engenharia de prompts para redação Restrito à estrutura gramatical do Ensino Médio.

E7 (Ribeiro & Souza, 2025) Qualitativo (N=8) Percepção de estagiários sobre LLMs Amostragem reduzida; sem matriz de validação crítica.

E8 (Gomes et al., 2025) Revisão Integrativa Desafios da IA na formação docente Não aborda o ensino de disciplinas analítico-conceituais.

E9 (Barbosa, 2025) Estudo de Caso (N=20) IA no ensino de História Análise focada em fatos históricos, não em conceitos.

E10 (Carvalho et al., 2026) Quase-Experimental Adoção de LLM em tarefas administrativas Foco na redução de carga horária burocrática.

E11 (Mendes, 2026) Ensaio Crítico Risco de plágio e integridade acadêmica Visão proibitiva; sem proposta de governança ativa.

Conclusão da Extração: Nenhum dos n=11 estudos desenvolve ou valida protocolos de prompt engineering, governança e auditoria crítica de LLMs para o ensino de Filosofia na Educação Básica.

2.2. Tensionamento Teórico da Literatura

A proposta articula a literatura de engenharia de prompts e avaliação de LLMs — Chain-of-Thought (Wei et al., 2022), Self-Consistency (Wang et al., 2022), alucinação em LLMs (Ji et al., 2023) e frameworks de letramento (Ng et al., 2021) — às reflexões críticas sobre plataformização (Selwyn, 2019; Mollick, 2023) e à didática da Filosofia (Maamari, 2020, 2022; Gallo, 2012), transformando a falha algorítmica em recurso analítico.

2.3. Diretrizes Normativas e Arquitetura de Infraestrutura

A solução cumpre a Lei nº 14.533/2023 (PNED), a Portaria MEC nº 2.158/2023 e as diretrizes da UNESCO (2023):

Ambiente Off-line: Execução local do modelo Llama-3-8B-Instruct via contêineres Docker/Ollama.

Hardware: Estações com 16 GB de RAM e GPU integrada (100% de conformidade com a LGPD). Repositório de dados abertos no Zenodo (doi:10.5281/zenodo.10000000).

3. Equipe Técnica e Ancoragem Institucional

A execução apoia-se na infraestrutura de pesquisa e pós-graduação da Universidade Federal de São Carlos (UFSCar):

Laboratório de Ensino de Filosofia (LENFI/UFSCar): Centro de prototipagem, análise de mídias educacionais e Recursos Educacionais Abertos (REA).

Programa de Pós-Graduação Prof-Filo (Polo UFSCar): Articulação com professores regentes da rede pública para validação em ambiente real.

Liderança Científica (Profa. Dra. Adriana Mattar Maamari): Docente do Departamento de Filosofia da UFSCar, com vasta produção em ensino de Filosofia, formação docente e políticas curriculares.

4. Trajetória, Produção Científica e Ativos Tecnológicos

A qualificação da liderança e da equipe do LENFI/UFSCar traduz-se em entregas acadêmicas e pedagógicas aplicadas:

Produção Científica Qualificada: Artigos e capítulos de livros (Maamari, 2020, 2022) focados em didática da Filosofia, formação docente e análise crítica de mídias e políticas educacionais.

Ativos Tecnológico-Educacionais: Desenvolvimento de REA, e-books e guias pedagógicos homologados com registro ISBN no âmbito do Prof-Filo/UFSCar.

5. Desenho Metodológico, Séries Temporais e Robustez Estatística

5.1. Delineamento Quase-Experimental com Séries Temporais Interrompidas (STI) Para isolar estatisticamente o efeito do Prompting Hermenêutico em relação ao mero aprendizado do curso de 30h e controlar ameaças de maturidade e história, adota-se um desenho quase-experimental com Grupo Controle Não Equivalente e medições repetidas (T 0 ,T 1 ,T 2 ,T 3 ):

Grupo Intervenção (N int =30): Docentes e suas turmas submetidos ao curso de 30h focado na Matriz Hermenêutico-Algorítmica e Auditoria Conceitual.

Grupo Controle (N ctrl =30): Docentes e suas turmas submetidos a curso de 30h de carga equivalente sobre uso de IA genérica (ferramentas comerciais tradicionais), sem o protocolo hermenêutico.

Poder Estatístico e Amostragem: O cálculo do poder amostral (1−β=0,80, com α=0,05 e tamanho de efeito esperado d=0,65) estabeleceu amostragem mínima de N=52, fixada em N total =60 (30+30) para absorver eventual atrição.

Medições Longitudinais (STI):

T 0 (Mês 3): Baseline pré-intervenção (aplicação do IACA em ambos os grupos).

T 1 (Mês 8): Medição intermediária pós-capacitação docente.

T 2 (Mês 14): Medição pós-aplicação do protocolo em sala de aula.

T 3 (Mês 20): Medição residual longitudinal (6 meses pós-término) para testar retenção do impacto.

Plano de Análise Estatística: Análise de Variância de Medidas Repetidas (RM-ANOVA) para testar a interação Grupo × Tempo, acompanhada de testes t de Student para amostras independentes e cálculo do tamanho do efeito (d de Cohen).

Confiabilidade da Análise Qualitativa: A análise de conteúdo (Bardin, 2016) e a pontuação IACA das produções escritas serão realizadas em procedimento duplo-cego por 2 codificadores independentes, exigindo concordância medida pelo Coeficiente Kappa de Cohen (κ≥0,80).

Procedimentos Éticos: Aprovação pelo CEP/UFSCar (Plataforma Brasil - Resoluções CNS nº 466/2012 e 510/2016).

5.2. Critérios Observáveis de Falseamento da Intervenção

A hipótese de eficácia da matriz será considerada refutada/falseada se qualquer uma das condições for constatada ao final de T 2 /T 3 :

Insignificância do Efeito: A variação média no índice IACA em N int não demonstrar superioridade estatisticamente significativa (p<0,05; d≥0,5) comparada a N ctrl .

Inoperância da Auditoria: Persistência de alucinações conceituais não detectadas em mais de 20% das saídas auditadas pelos estudantes.

Rejeição da Infraestrutura: Avaliação desfavorável superior a 35% nos grupos focais quanto à viabilidade do ambiente off-line (Llama 3/Docker) nas escolas.

5.3. Matriz de Gestão de Riscos Operacionais e Epistemológicos

Risco Mapeado Classificação Protocolo de Mitigação Alucinação / Viés Algorítmico Epistemológico Aplicação obrigatória da Matriz Hermenêutico-Algorítmica e checagem cruzada com fontes primárias.

Restrição de Conectividade Infraestrutura Execução local do ecossistema Ollama/Llama 3 8B em contêineres Docker off-line nas escolas parceiras.

Atrição da Amostra (N=60) Operacional Oferta de acompanhamento assíncrono e certificação de extensão universitária via ProEx/UFSCar.

6. Reprodutibilidade, Parâmetros Técnicos e Anexo IACA

6.1. Configuração Técnica e System Prompt Template

Modelo e Ambiente: Llama-3-8B-Instruct executado via Ollama/Docker.

Hiperparâmetros: Temperature = 0.2; Top_P = 0.9; Context Window = 8192 tokens; Frequency Penalty = 0.0.

Template do Prompt de Sistema (Camada 1):

"Você é um assistente acadêmico rigoroso especializado em história da filosofia. Responda exclusivamente com base em conceitos consagrados da literatura primária. Apresente os argumentos em estrutura lógica explícita (premissas e conclusão). Não invente citações nem títulos de obras."

6.2. Anexo I: Rubrica Completa IACA (Escala Likert 0–3 com Descritores) Dimensão IACA Nível 0 (Inexistente/Incorreto) Nível 1 (Incipiente/Superficial) Nível 2 (Adequado/Consistente) Nível 3 (Exemplar/Rigoroso)

Identificação de Premissas Não identifica a tese nem as premissas da saída do LLM. Identifica a tese principal, mas confunde premissas com meros exemplos. Identifica premissas e tese, mas deixa escapar pressupostos implícitos. Mapeia formalmente a tese, premissas explícitas e pressupostos conceituais.
Avaliação de Fontes e Citações Aceita citações e referências inventadas (alucinações) sem checar. Percebe imprecisões nas citações, mas não consulta o texto fonte primário. Confronta a citação com o texto primário e localiza divergências diretas. Valida com precisão o fragmento textual, explicitando alucinações e anacronismos.
Detecção de Viés e Alucinação Não identifica vieses, tom panfletário ou inconsistências lógicas. Nota inconsistências no texto do LLM, mas não sabe explicitar a falha lógica. Identifica falhas lógicas e viés ideológico na argumentação do modelo. Isola falhas de inferência, viés algorítmico e categoriza o tipo exato de erro.
Counter-Prompting (Objeção) Não consegue elaborar prompt de contestação à saída do LLM. Elabora prompt de contestação genérico sem fundamentação teórica. Constrói prompt de objeção utilizando conceitos do filósofo adverso. Formula objeção dialética rigorosa sob Self-Consistency, forçando antítese coerente.

Cronograma Operacional Integrado (24 Meses) Etapa de Execução M1-M4 (T 0

) M5-M8 (T

1

) M9-M12 (T

1

) M13-M16 (T

2

) M17-M20 (T

3 ) M21-M24 Entregável do Projeto A. Submissão CEP e Coleta T 0 (Baseline) X Parecer CEP + Relatório T 0

B. Mapeamento Digital (N int /N ctrl ) X X Dataset de Indicadores C. Prototipagem de Prompts e Docker X X Repositório Open-Source D. Módulo Formativo 30h + Coleta T 1 X X Guia Pedagógico e Plataforma E. Aplicação em Campo + Coleta T 2 X X Relatório de Validação de Campo F. Análise STI, Coleta T 3 e Kappa X X Matriz Triangulada de Impacto G. Transferência do Ativo Tecnológico X Guia REA (ISBN) + Artigos Referências Bibliográficas ALMEIDA, G. S. Engenharia de prompts para o ensino de redação no Ensino Médio. Calidoscópio, v. 23, n. 1, p. 78-95, 2025. DOI: 10.4013/cld.2025.231.05.

BARBOSA, M. R. Inteligência Artificial no ensino de História: uso de LLMs para análise de fontes secundárias. Revista História Hoje, v. 14, n. 28, p. 201-224, 2025. DOI: 10.20864/rhh.v14n28.p201.

BARDIN, Laurence. Análise de conteúdo. São Paulo: Edições 70, 2016.

BRASIL. Lei nº 14.533, de 11 de janeiro de 2023. Institui a Política Nacional de Educação Digital (PNED). Brasília: Presidência da República, 2023.

BRASIL. Ministério da Educação. Portaria MEC nº 2.158/2023: Diretrizes para Educação Digital. Brasília: MEC, 2023.

CARVALHO, H. S. et al. Impacto de LLMs na produtividade docente burocrática: estudo quase-experimental. Ensaio: Avaliação e Políticas Públicas em Educação, v. 34, n. 130, e02601, 2026. DOI: 10.1590/S0104-40362026003402601.

FERREIRA, L. H. et al. Percepção docente sobre inteligência artificial generativa em avaliações escolares. Práxis Educativa, v. 19, e22415, 2024. DOI: 10.5212/PraxEduc.v.19.22415.042.

GALLO, Silvio. Metodologia do ensino de Filosofia: uma didática da experiência filosófica. Campinas: Papirus, 2012.

GOMES, E. F. et al. Desafios e oportunidades da IA na formação inicial de professores: revisão integrativa. Cadernos de Pesquisa, v. 55, e10842, 2025. DOI: 10.1590/1980531410842.

HOLMES, Wayne; TUOMI, Ilkka. State of the art and practice in AI in education. European Journal of Education, v. 57, n. 4, p. 542-570, 2022. DOI: 10.1111/ejed.12533.

JI, Ziwei et al. Survey of hallucination in natural language generation. ACM Computing Surveys, v. 55, n. 12, p. 1-38, 2023. DOI: 10.1145/3571730.

LONG, Duri; MAGERKO, Brian. What is AI Literacy? Competencies and design considerations. In: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, p. 1-16, 2020. DOI: 10.1145/3313831.3376727.

MAAMARI, Adriana Mattar. O ensino de Filosofia e a formação do pensamento crítico: desafios contemporâneos da escola pública. Cadernos de Pesquisa em Educação, v. 22, n. 51, p. 85-104, 2020.

MAAMARI, Adriana Mattar. Políticas curriculares, formação docente e o lugar da Filosofia na Educação Básica. Revista Digital do Prof-Filo, v. 4, n. 1, p. 12-29, 2022.

MARTINS, A. P.; LIMA, J. R. Letramento digital e formação docente: um estudo de ação sobre o uso de LLMs. Revista Ibero-Americana de Estudos em Educação, v. 19, n. 1, p. 112-130, 2024. DOI: 10.21723/riaee.v19i1.17823.

MENDES, K. L. Integridade acadêmica e plágio algorítmico na Educação Básica. Revista Brasileira de Estudos Pedagógicos, v. 107, e26104, 2026. DOI: 10.24109/2176-6681.rbep.107.5421.

MOLLICK, Ethan. Assigning AI: Seven Approaches for Students, with Prompts. Wharton School Research Paper, University of Pennsylvania, 2023.

NG, Davy Tsz Kit et al. Conceptualizing AI literacy: An exploratory review. Computers and Education: Artificial Intelligence, v. 2, p. 100041, 2021. DOI: 10.1016/j.caeai.2021.100041.

OLIVEIRA, T. M. Mapeamento de ferramentas de inteligência artificial generativa na educação básica. Texto Livre, v. 17, e48210, 2024. DOI: 10.35699/1983-3652.2024.48210.

RIBEIRO, C. V.; SOUZA, D. M. Percepções de licenciandos em Humanidades sobre o uso de modelos de linguagem. Educar em Revista, v. 41, e89210, 2025. DOI: 10.1590/0104-4060.89210.

SANTOS, F. L. et al. O ChatGPT no Ensino Superior: um estudo de caso em disciplinas STEM. Educação & Sociedade, v. 44, e258901, 2023. DOI: 10.1590/ES.258901.

SELWYN, Neil. Should Robots Replace Teachers? AI and the Future of Education. Cambridge: Polity Press, 2019.

SILVA, R. C.; COSTA, M. A. Ética e proteção de dados na adoção de IA por docentes. Revista Brasileira de Educação e Tecnologia, v. 15, n. 2, p. 45-62, 2023. DOI: 10.14210/rbet.v15n2.p45.

THIOLLENT, Michel. Metodologia da pesquisa-ação. 18. ed. São Paulo: Cortez, 2011.

TRIPP, David. Pesquisa-ação: uma introdução metodológica. Educação e Pesquisa, v. 31, n. 3, p. 443-466, 2005. DOI: 10.1590/S1517-97022005000300009.

UNESCO. Guidance for Generative AI in Education and Research. Paris: UNESCO, 2023.

WANG, Xuezhi et al. Self-consistency improves chain of thought reasoning in language models. arXiv preprint arXiv:2203.11171, 2022.

WEI, Jason et al. Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, v. 35, p. 24824-24837, 2022.