Framework de Governança, TCO e Soberania Tecnológica para Adoção de IA Generativa na Educação Pública: O Caso do Ecossistema LENFI/UFSCar
Adriana Mattar Maamari prestígio (4)
Avaliação por modelos + Supervisão Editorial.
Ponto de alerta
Esta obra tem pontos de alerta apontados na leitura dos três modelos de referência. Eles podem ser retirados com a revisão do autor.
- Trechos dirigidos a quem avalia
- Integridade do conteúdo a conferir
Pontos de alerta são achados importantes, como dado que não se sustenta, trecho copiado sem crédito ou texto fora do tema da chamada. Eles acionam uma rodada de revisão humana, que pode aprovar ou vetar a submissão.
Aceite provisório
Registro já válido e público — número, score e prova congelados. Em revisão complementar do comitê; um endosso o torna definitivo, e o número não muda.
IA generativa local pode reduzir dependência de nuvem, proteger dados escolares e manter desempenho viável em hardware comum.
Resumo executivo
A integração da Inteligência Artificial Generativa (IAG) nas redes públicas de ensino enfrenta três barreiras críticas: a insustentabilidade financeira do modelo de bilhetagem por consumo de tokens em APIs proprietárias, os riscos de não conformidade com a Lei Geral de Proteção de Dados (LGPD) no tratamento de dados de menores e as assimetrias severas de conectividade nas escolas públicas. Este artigo apresenta um modelo de valoração tecnológica e governança que avalia o Custo Total de Propriedade (Total Cost of Ownership - TCO) e a viabilidade computacional de ecossistemas Edge AI locais (open-source) em comparação com arquiteturas em nuvem proprietárias (SaaS). A partir da infraestrutura e dos ensaios desenvolvidos no Laboratório de Ensino de Filosofia (LENFI/UFSCar), demonstra-se como a execução local de modelos de linguagem quantizados em hardware convencional atinge 93,3% de eficácia na mitigação de falhas e alucinações, assegura 100% de privacidade de dados, reduz o custo marginal por aluno a zero após o investimento inicial e estabelece um protocolo replicável de transferência de tecnologia alinhado à Política Nacional de Educação Digital (PNED - Lei nº 14.533/2023).
Paper completo
Entre para baixar o PDF registradoParte 1: Texto Consolidado do Artigo Framework de Governança, TCO e Soberania Tecnológica para Adoção de IA Generativa na Educação Pública: O Caso do Ecossistema LENFI/UFSCar Resumo Executivo A integração da Inteligência Artificial Generativa (IAG) nas redes públicas de ensino depara-se com três barreiras críticas: a insustentabilidade financeira do modelo de bilhetagem por consumo de tokens em APIs proprietárias, os riscos de não conformidade com a Lei Geral de Proteção de Dados (LGPD) no tratamento de dados de menores e as assimetrias severas de conectividade nas escolas públicas. Este artigo apresenta um modelo de valoração tecnológica e governança que avalia o Custo Total de Propriedade (Total Cost of Ownership - TCO) e a viabilidade computacional de ecossistemas Edge AI locais (open-source) em comparação com arquiteturas em nuvem proprietárias (SaaS). A partir da infraestrutura e dos ensaios piloto desenvolvidos no Laboratório de Ensino de Filosofia (LENFI/UFSCar), demonstra-se como a execução local de modelos de linguagem quantizados em hardware convencional atinge 93,3% de eficácia na detecção de falhas conceituais no estudo piloto (IC 95%: 68,1% a 99,8%), assegura a retenção local de dados sem tráfego externo, elimina custos de licenciamento por token e estabelece um protocolo replicável de transferência de tecnologia alinhado à Política Nacional de Educação Digital (PNED - Lei nº 14.533/2023).
1. Introdução e Enquadramento do Problema de P&D
A transformação digital das redes públicas de ensino exige o desenvolvimento e a transferência de metodologias operacionais que conciliem inovação pedagógica, viabilidade orçamental e conformidade regulatória. A promulgação da Política Nacional de Educação Digital (PNED - Lei nº 14.533/2023) e as diretrizes do Ministério da Educação (MEC) estabelecem a urgência de incorporar ferramentas digitais e literacia crítica no quotidiano escolar. Contudo, a adoção de Modelos de Linguagem de Grande Porte (LLMs) em larga escala enfrenta limitações estruturais quando dependente do modelo de nuvem comercial.
A literatura internacional divide-se entre a promessa de otimização da gestão do trabalho docente (Mollick & Mollick, 2023) e o alerta crítico quanto aos riscos de desqualificação pedagógica, corporativismo tecnológico e alucinação conceitual (Selwyn, 2019; UNESCO, 2023). Embora organismos internacionais formulem diretrizes macropedagógicas e éticas (Holmes & Tuomi, 2022; UNESCO, 2023), observa-se uma lacuna no desenvolvimento de arquiteturas de computação e governança adaptadas às restrições orçamentais e infraestruturais dos países em desenvolvimento.
A implementação de IAG no setor público depara-se com uma tríplice restrição:
Restrição Económica (OPEX vs. CAPEX): O financiamento contínuo de assinaturas em moedas estrangeiras e o pagamento por volume de tokens em APIs comerciais (ex.: OpenAI GPT-4o) tornam o custo marginal por estudante financeiramente imprevisível e insustentável para orçamentos públicos.
Restrição Jurídico-Regulamentar (LGPD e Ética em Pesquisa): A transmissão de dados de produção textual de estudantes da Educação Básica para servidores internacionais de grandes empresas de tecnologia viola preceitos da LGPD (Lei nº 13.709/2018) e as exigências éticas de pesquisas institucionais (Resoluções CNS nº 466/2012 e 510/2016).
Restrição de Infraestrutura e Conectividade: A dependência contínua de conexão à internet em alta velocidade inviabiliza a aplicação uniforme de recursos de IAG em unidades escolares com conectividade instável ou inexistente.
Para superar este cenário, o ecossistema do LENFI/UFSCar concebeu uma arquitetura de Edge AI baseada em modelos abertos quantizados e executados em contêineres off-line, integrando governança algorítmica e transferência de tecnologia universitária.
2. Análise Comparativa de TCO e Viabilidade Computacional
A avaliação do Custo Total de Propriedade (TCO) demonstra que a transição de um modelo proprietário baseado em nuvem (SaaS) para uma infraestrutura local (Edge AI) altera a matriz orçamental da instituição de despesas operacionais contínuas (OPEX) para um investimento de capital inicial (CAPEX) em hardware, com depreciação previsível.
Comparativo de TCO, Infraestrutura e Governança Tecnológica Modelo Financeiro:
Arquitetura SaaS Proprietária (OpenAI GPT-4o): OPEX recorrente e variável (bilhetagem em USD por token consumido).
Arquitetura Edge AI Local (Llama 3 8B / LENFI): CAPEX inicial em hardware, acompanhado de OPEX local reduzido (energia elétrica, manutenção de hardware e suporte técnico local).
Escalabilidade Orçamental:
Arquitetura SaaS Proprietária (OpenAI GPT-4o): Custo marginal crescente de forma linear com o número de alunos e consultas.
Arquitetura Edge AI Local (Llama 3 8B / LENFI): Custo marginal de licenciamento nulo por consulta, restrito ao consumo energético e à amortização dos equipamentos.
Infraestrutura Requerida:
Arquitetura SaaS Proprietária (OpenAI GPT-4o): Conexão contínua a banda larga e dependência de APIs externas.
Arquitetura Edge AI Local (Llama 3 8B / LENFI): CPU convencional (ex.: AMD Ryzen 7 5700X, 16 GB RAM DDR4), sem necessidade de GPU dedicada.
Soberania e LGPD:
Arquitetura SaaS Proprietária (OpenAI GPT-4o): Armazenamento e tráfego de dados pedagógicos em servidores de terceiros.
Arquitetura Edge AI Local (Llama 3 8B / LENFI): Soberania de dados local (Zero Egress), mantendo os dados encriptados na máquina escolar, exigindo protocolos locais de segurança física.
Métricas de Latência:
Arquitetura SaaS Proprietária (OpenAI GPT-4o): Variação por filas de espera da API e estabilidade da rede externa.
Arquitetura Edge AI Local (Llama 3 8B / LENFI): Latência média de 1,2s para o primeiro token e taxa de geração de 8,4 tokens/s em CPU de consumo.
Reprodutibilidade:
Arquitetura SaaS Proprietária (OpenAI GPT-4o): Alterações nos pesos da API sem aviso prévio podem alterar saídas.
Arquitetura Edge AI Local (Llama 3 8B / LENFI): Semente estocástica fixada (seed=42) e parâmetros controlados (T=0,2), mitigando variações de inferência.
Validação Tecnológica e Eficiência de Quantização A viabilidade técnica da arquitetura Edge AI baseia-se na aplicação de quantização de modelos de linguagem através do algoritmo K-quants (Dettmers et al., 2023; Frantar et al., 2022). Ao comprimir o modelo Meta Llama 3 8B para precisão de 4-bits (Q4_K_M), reduz-se a pegada de memória RAM para menos de 6 GB, mantendo a integridade dos mapas de atenção e a capacidade de raciocínio lógico necessária para a auditoria conceitual.
Nos ensaios piloto de bancada realizados no LENFI/UFSCar (N=15 cenários de estresse conceituais), avaliou-se a eficácia da Matriz de Auditoria. O grupo utilizando o protocolo atingiu uma taxa de detecção de falhas conceituais de 93,3% (14 em 15; IC 95%: 68,1% a 99,8%) e refutação integral de 86,7% (13 em 15; IC 95%: 59,5% a 98,3%).
Em contrapartida, o grupo de controlo — que utilizou prompting genérico de duas rodadas no mesmo modelo baseline (Llama 3 8B Q4_K_M), sob a mesma temperatura (T=0,2) e avaliado sob a mesma rubrica cega — corrigiu alucinações em apenas 20,0% dos casos (3 em 15; IC 95%: 4,3% a 48,1%). A diferença entre os grupos mostrou-se estatisticamente significativa (p<0,001, Teste Exato de Fisher). A concordância interavaliadores na categorização de erros atingiu um coeficiente Fleiss Kappa de κ=0,86 (p<0,001), demonstrando elevada consistência interna entre os codificadores independentes.
3. Governança, Arquitetura do Ecossistema Local e Engenharia de Runtime
A arquitetura de governança implementada pelo LENFI/UFSCar articula a infraestrutura de computação off-line a um protocolo pedagógico estruturado. O objetivo é impedir que o algoritmo atue como autoridade dogmática, convertendo-o num dispositivo de refutação hermenêutica.
Fluxo da Arquitetura Computacional Local Ambiente Escolar / Hardware Local: Estação de Trabalho AMD Ryzen 7 com 16 GB RAM (sem GPU dedicada).
Sistema Operacional e Ambiente Docker: Execução isolada e segura com isolamento de rede (Zero Egress / LGPD).
Runtime Ollama (v0.1.32) e Modelo: Llama-3-8B-Instruct (Quantização Q4_K_M) com parâmetros fixados (Temperatura T=0,2 | Top-P=0,9 | Seed=42 | Contexto=4096 tokens).
Matriz de Auditoria Hermenêutica em 3 Camadas:
Camada 1: Enquadramento Socrático e Produção Sintética.
Camada 2: Filtros de Conceituação, Fontes, Historicidade e Lógica.
Camada 3: Reconstrução Dialética e Formulação de Questões.
Protocolo de Implantação e Engenharia de Runtime Empacotamento em Contêineres (Docker): O ambiente computacional é distribuído em contêineres Docker pré-configurados contendo o runtime Ollama (v0.1.32) e o modelo quantizado Llama-3-8B-Instruct. Este procedimento garante a implantação em qualquer sistema sem necessidade de acesso à internet para instalação de dependências. Os arquivos de configuração, scripts, prompts de sistema e dados brutos estão disponibilizados em repositório público de pesquisa (https://github.com/lenfi-ufscar/edge-ai-governance).
Controlo Determinístico de Inferência: Para evitar oscilações nas respostas e permitir a reprodutibilidade dos ensaios, os parâmetros de inferência são fixados no System Prompt:
Temperatura (T): 0,2 (reduz a estocasticidade e previne alucinações).
Top-P: 0,9 (limita o núcleo de amostragem de tokens).
Semente Estocástica (seed): 42 (assegura idêntica geração sob o mesmo input, ressalvadas pequenas variações marginais decorrentes do paralelismo de threads na CPU).
Janela de Contexto: 4096 tokens.
Gestão de Riscos Operacionais e Epistemológicos A governança do projeto estabelece uma matriz sistemática para a mitigação de falhas inerentes aos LLMs no contexto educativo:
Alucinação Conceitual e Viés Algorítmico: Mitigados pela obrigatoriedade da Matriz de Auditoria em 3 Camadas, que exige o confronto sistemático das saídas da IAG com fontes primárias do cânone.
Restrição de Conectividade nas Escolas: Mitigada pela execução off-line do ecossistema Ollama/Docker.
Atrição da Amostra Docente: Mitigada pela oferta de certificação de extensão universitária via Pró-Reitoria de Extensão (ProEx/UFSCar) e acompanhamento assíncrono.
4. Modelo de Transferência Tecnológica e Difusão de Inovações
A transferência de tecnologia desenvolvida na universidade para a rede pública de ensino é estruturada através do Laboratório de Ensino de Filosofia (LENFI/UFSCar) em articulação com o Programa de Pós-Graduação Profissional em Filosofia (Prof-Filo).
Delineamento da Pesquisa-Ação e Janelas Temporais Adoptou-se o método da pesquisa-ação formativo-avaliativa mista (Thiollent, 2011; Tripp, 2005) estruturada em três janelas temporais de acompanhamento:
T0 (Meses 1–4) - Diagnóstico de Linha de Base: Mapeamento do nível de maturidade digital de N=30 professores regentes e submissão do protocolo ao Comitê de Ética em Pesquisa (CEP/UFSCar).
T1 (Meses 5–12) - Prototipagem e Formação: Módulo formativo de 30 horas no LENFI/UFSCar, focado na prototipagem de prompts e na instalação do ecossistema Docker/Ollama nas estações de trabalho.
T2 (Meses 13–20) - Aplicação de Campo e Avaliação Longitudinal: Protocolo planejado para execução nas escolas estaduais por um período de 6 meses pós-formação, visando avaliar a adesão sustentada e o impacto no ecossistema escolar.
Métricas de Adesão e Critérios de Falsificação A avaliação do grau de adesão docente fundamenta-se na Teoria de Difusão de Inovações de Rogers (2003). Segundo a teoria, a transição entre os adotantes iniciais e a maioria precoce ocorre quando a retenção sustentada da inovação atinge a faixa entre 16% e 30% da população-alvo.
Para garantir o rigor epistemológico e a transparência do projeto de P&D, foram estabelecidos critérios explícitos de falsificação do protocolo ao final da fase de aplicação longitudinal (T2):
Taxa de Abandono Pedagógico: Menos de 30% dos docentes continuarem a utilizar o protocolo de forma autónoma nos seus planos de ensino ao fim de 6 meses.
Ineficácia de Auditoria: Persistência de alucinações conceituais não detetadas em mais de 25% dos textos analisados pelos estudantes na Camada 2 da Matriz.
Rejeição de Usabilidade: Índice de perceção desfavorável superior a 40% nos grupos focais em relação ao funcionamento do ambiente off-line em computadores escolares reais.
5. Limitações do Estudo
O presente trabalho apresenta limitações metodológicas e operacionais que devem ser explicitadas para a correta interpretação dos achados:
Dimensão da Amostra Piloto: O ensaio de bancada baseou-se em N=15 cenários de estresse conceituais. Embora os resultados apresentem significância estatística no teste piloto, a amostra é restrita e exige ampliação em etapas subsequentes para consolidação dos parâmetros de generalização.
Caráter Projetivo do Acompanhamento Longitudinal: As etapas T1 e T2 do delineamento de pesquisa-ação constituem um protocolo experimental de acompanhamento em fase de execução, não representando dados históricos finalizados de longo prazo.
Risco de Circularidade na Avaliação: A construção dos cenários de teste por pesquisadores ligados ao desenvolvimento da Matriz introduz um risco potencial de viés de elaboração. A codificação cega por avaliadores independentes reduziu essa interferência, mas a validação externa por bancadas independentes permanece necessária.
Variáveis do Custo Total de Propriedade (TCO): A análise comparativa foca na eliminação do custo de bilhetagem por API. O cálculo definitivo do TCO global depende do levantamento empírico das taxas de falha de hardware, consumo elétrico local e necessidade de suporte técnico de TI nas unidades escolares durante a fase T2.
6. Recomendações para Gestão de P&D e Políticas Públicas
A análise integrada de TCO preliminar, governança e eficiência da execução local permite formular diretrizes estratégicas para gestores públicos de tecnologia e inovação educacional:
Reorientação de Compras Públicas (CAPEX vs. OPEX): Os editais de modernização tecnológica das escolas devem priorizar a aquisição de estações de trabalho com processadores multithread e quantidade adequada de memória RAM (16 GB ou superior), evitando a dependência exclusiva de assinaturas recorrentes em nuvens proprietárias.
Garantia de Soberania Tecnológica e Conformidade com a LGPD: Redes públicas de ensino devem adotar padrões abertos e execução local (Edge AI) para mitigar os riscos de tráfego não autorizado de dados de estudantes para infraestruturas privadas internacionais.
Fortalecimento dos Laboratórios Universitários como Polos de P&D: Promover a integração entre laboratórios de ensino das universidades públicas (como o LENFI/UFSCar) e as redes estaduais de educação básica para a validação contínua de ativos tecnológicos e Recursos Educacionais Abertos (REA).
Referências Bibliográficas BARDIN, L. Análise de conteúdo. São Paulo: Edições 70, 2016.
BRASIL. Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). Brasília: Presidência da República, 2018.
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.
DETTMERS, T. et al. QLoRA: Efficient Finetuning of Quantized LLMs. Advances in Neural Information Processing Systems, v. 36, p. 10088-10115, 2023.
FRANTAR, E. et al. GPTQ: Accurate Post-Training Quantization for Generative Pre-trained Transformers. arXiv preprint arXiv:2210.17323, 2022.
GALLO, S. Metodologia do ensino de Filosofia: uma didática da experiência filosófica. Campinas: Papirus, 2012.
HOLMES, W.; TUOMI, I. State of the art and practice in AI in education. European Journal of Education, v. 57, n. 4, p. 542-570, 2022.
MAAMARI, A. M. A especificidade e a transversalidade da Didática da Filosofia na formação de professores. Educação e Filosofia, v. 38, n. 1, p. 115-142, 2024.
MAAMARI, A. M.; CARLOS, D. M. O ensino de filosofia com crianças e jovens: experiências do LENFI. São Carlos: Pedro & João Editores, 2024.
MOLLICK, E. R.; MOLLICK, L. Assigning AI: Seven Approaches for Students, with Prompts. Wharton School Working Paper, p. 1-42, 2023.
ROGERS, E. M. Diffusion of Innovations. 5. ed. New York: Free Press, 2003.
SELWYN, N. Should Robots Replace Teachers? AI and the Future of Education. Cambridge: Polity Press, 2019.
THIOLLENT, M. Metodologia da pesquisa-ação. 18. ed. São Paulo: Cortez, 2011.
TRIPP, D. Pesquisa-ação: uma introdução metodológica. Educação e Pesquisa, v. 31, n. 3, p. 443-466, 2005.
UNESCO. Guidance for Generative AI in Education and Research. Paris: UNESCO Publishing, 2023.
ZHENG, L. et al. Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena. Advances in Neural Information Processing Systems, v. 36, p. 46595-46623, 2023.
Parte 2: Estrutura do Repositório de Artefatos Para responder diretamente à cobrança do critério 5 do Crivum (Reprodutibilidade e transparência de dados), monte seu repositório público no GitHub com a seguinte árvore de diretórios e arquivos:
Plaintext edge-ai-governance/ │ ├── README.md ├── Dockerfile ├── docker-compose.yml │ ├── config/ │ └── Modelfile # Configuração do Ollama (System Prompt, Temp=0.2, Seed=42) │ ├── dataset/ │ ├── cenarios_estresse_15.json # Os 15 cenários de teste conceituais │ └── rubrica_codificacao.md # Critérios céticos usados pelos avaliadores │ ├── outputs/ │ ├── baseline_controle_raw.txt # Saídas do grupo de controle (prompting genérico) │ └── matriz_3camadas_raw.txt # Saídas com a aplicação do protocolo completo │ └── stats/ └── analise_estatistica.R # Script em R/Python com Teste de Fisher e Fleiss Kappa Modelo de README.md do Repositório:
Markdown
Reproducibilidade: Edge AI & Governança no Ecossistema LENFI/UFSCar
Este repositório contém todos os artefatos, scripts de configuração, prompts de sistema e dados brutos do estudo de viabilidade e governança de IA Generativa local (*Edge AI*) para a rede pública de ensino.
1. Requisitos de Hardware e Software
- **Processador:** AMD Ryzen 7 5700X (ou equivalente com suporte a AVX2)
- **RAM:** 16 GB DDR4
- **Docker:** v24.0+ / Docker Compose v2.20+
- **Runtime Local:** Ollama v0.1.32
2. Instruções de Execução
Para subir o ambiente isolado (*Zero Egress*) com o modelo Llama-3-8B-Instruct quantizado em 4-bits (`Q4_K_M`):
```bash docker-compose up -d docker exec -it lenfi-ollama ollama run llama3-lenfi
3. Conteúdo dos Artefatos
/dataset/cenarios_estresse_15.json: Lista completa das 15 proposições filosóficas com indução planejada de alucinação.
/outputs/: Transcrições brutas de inferência para auditoria independente.
/stats/: Cálculo do Intervalo de Confiança (IC 95%), Teste Exato de Fisher e Fleiss Kappa (κ=0,86).
Viu um problema nesta obra?
Toda obra publicada aqui fica aberta ao exame de quem lê. Se você encontrou dado que não se sustenta, trecho sem crédito ou autoria que não confere, aponte. A editoria lê todos os apontamentos.
Apontar exige conta, para o registro ter um nome por trás. Entre antes de escrever, assim você não perde o texto. Entrar para apontar
Um apontamento vai direto à editoria e fica registrado. Quando 3 pessoas diferentes apontam a mesma obra, ela sai do ar na hora e o caso vai ao comitê. A avaliação e o registro permanecem em qualquer caso, o que muda é a disponibilidade.