Proteção de Trajetórias Escolares
Evasão e Abandono
A evasão e o abandono escolar representam desafios estruturais para os sistemas educacionais, com impactos que ultrapassam os muros da escola e afetam diretamente a equidade, o desenvolvimento social e o crescimento econômico de um país. No Brasil, 1 em cada 5 estudantes não concluiu a educação básica, evidenciando um problema que exige respostas urgentes, articuladas e sustentadas por evidências.
Nesse cenário, o Núcleo de Excelência em Tecnologias Sociais (NEES) tem se destacado por adotar uma abordagem interdisciplinar e orientada por dados, conectando diferentes áreas do conhecimento — como inteligência artificial, políticas públicas, psicometria e práticas pedagógicas — para oferecer soluções eficazes de proteção às trajetórias escolares. O trabalho do NEES se ancora em um modelo híbrido, validado em diferentes escalas e contextos, que integra dados, tecnologia e intervenção humana para garantir permanência, aprendizagem e bem-estar dos(as) estudantes.
Conceitos e Diretrizes
De acordo com as diretrizes do INEP, a evasão escolar refere-se à ausência do(a) estudante por pelo menos um ano letivo sem retorno, enquanto o abandono diz respeito à interrupção da frequência ainda dentro do mesmo ano, sem transferência formal. Mais do que conceituar, é necessário compreender que esses fenômenos são resultado de múltiplas vulnerabilidades e, por isso, exigem abordagens sistêmicas.
A proteção de trajetórias educacionais deve ser, portanto, uma estratégia ampla, que visa assegurar que os percursos escolares sejam contínuos, completos e com qualidade, considerando as diversas dimensões que influenciam a permanência: estruturais, contextuais, institucionais e subjetivas. O NEES atua nesse campo de forma integrada, promovendo políticas, projetos, programas e tecnologias sociais que reforçam a escola como espaço de desenvolvimento humano e justiça social.
Antecipação de Riscos e Intervenções Informadas por Dados
A capacidade de prever situações de risco é fundamental para intervir antes que elas se consolidem. O NEES desenvolve e aplica modelos preditivos baseados em inteligência artificial e aprendizado de máquina que identificam, com antecedência, estudantes com maior probabilidade de abandono ou reprovação. Esses modelos, quando utilizados em articulação com equipes escolares e gestores públicos, contribuem para decisões mais precisas, empáticas e eficazes.
Além disso, o NEES desenvolveu o IAFREE — um instrumento psicométrico que analisa cinco dimensões da vida escolar e social do(a) estudante — permitindo um diagnóstico mais amplo e humanizado das vulnerabilidades e fatores subjacentes que influenciam a trajetória educacional. Seu uso aliado a ferramentas digitais possibilita intervenções mais ágeis e contextualizadas, colocando os dados a serviço de ações concretas.
Framework Híbrido: Tecnologia, Políticas Públicas, Psicometria e Educação
O modelo de atuação do NEES estrutura-se em três eixos complementares. O eixo da tecnologia concentra o desenvolvimento de soluções com IA, interoperabilidade de dados e acessibilidade, inclusive em contextos com baixa conectividade. O eixo das políticas públicas atua no desenho, implementação e avaliação de estratégias baseadas em evidências, promovendo ações multiescala em articulação com gestores e governos. O eixo da educação e psicometria envolve a criação de instrumentos de diagnóstico e apoio direto a professores(as) e gestores(as), fortalecendo as capacidades locais (técnicas e organizacionais).
Essa integração entre áreas assegura escalabilidade, sensibilidade territorial e sustentabilidade das soluções, respeitando os contextos individuais de cada rede e buscando promover equidade.
Modelos em Ação: Evidências de Impacto e Transformação
A efetividade do modelo híbrido se comprova por meio de experiências concretas em diferentes níveis. No Brasil, destaca-se o Sistema de Proteção das Trajetórias Escolares (SPTE), desenvolvido pelo NEES em parceria com o Ministério da Educação (MEC), que oferece uma plataforma para análise de dados e formulação de estratégias de intervenção. Ainda no contexto Brasileiro, o desenvolvimento de modelos preditivos aplicados no estado do Espírito Santo apresentou alta precisão, sendo validados quanto à justiça algorítmica, o que reforça seu uso responsável e sua conformidade com as legislações atuais. No contexto do ensino superior, a plataforma LANSE permite o acompanhamento do engajamento estudantil em ambientes virtuais de aprendizagem, orientando ações preventivas que buscam a reversão de estudantes com trajetórias vulneráveis.
Internacionalmente, tal modelo foi implementado pelos pesquisadores do NEES no Uruguai por meio do projeto fAIrLAC (BID), em parceria com a ANEP e a Universidad de la República, resultando em uma infraestrutura nacional de predição de risco para mais de 258 mil estudantes.
Essas iniciativas demonstram que, com a articulação entre diferentes áreas do conhecimento, o NEES pode contribuir para a transformação da lógica reativa das políticas educacionais, em ações preventivas, com impacto real na vida dos(as) estudantes.
Interdisciplinar Saberes para Multiplicar Impactos: A Urgência da Ação Colaborativa para a Proteção das Trajetórias Escolares
Nenhuma tecnologia, metodologia ou política pública isoladamente é capaz de responder, de forma efetiva e sustentável, à complexidade dos desafios educacionais enfrentados atualmente. A abordagem proposta pelo NEES se diferencia justamente por ser única no contexto brasileiro, ao estruturar uma solução híbrida e articulada que combina o poder analítico da inteligência artificial com a sensibilidade da psicometria, o rigor das políticas públicas baseadas em evidências e a prática cotidiana das redes de ensino.
Essa proposta não é apenas técnica — é conceitual, ética e estratégica. Representa uma mudança de paradigma na forma de compreender, diagnosticar e agir diante das vulnerabilidades que comprometem as trajetórias educacionais. Trata-se de um modelo que só é possível graças à combinação de conhecimentos especializados e à atuação coordenada de experts das áreas de ciência de dados, educação, políticas públicas, inovação social e tecnologia.
Ao integrar inteligências humanas, institucionais e artificiais, o modelo híbrido do NEES permite transformar risco em cuidado, dados em ação e estudantes em protagonistas de seus próprios futuros. E é justamente essa interseção entre saberes que garante que as intervenções propostas não sejam automáticas ou genéricas, mas sim enraizadas nas realidades dos territórios, culturalmente sensíveis e orientadas à justiça social.
A experiência do NEES mostra que a colaboração interinstitucional e interdisciplinar não é apenas desejável — é imprescindível. É por meio dela que conseguimos gerar impacto real, ampliar a escala das soluções e, sobretudo, proteger de forma proativa e responsável as trajetórias escolares de milhões de estudantes em situação de vulnerabilidade.
Veja abaixo algumas de nossas ações, iniciativas e o grupo de proteção a trajetórias escolares do NEES.
Tecnologia
Políticas Públicas
Educação
- Integração e interoperabilidade de dados
- Inteligência Artificial
- Sistemas com tecnologia desplugada
- Desenho, Implementação e monitoramento
- Comunicação, Mobilização e Engajamento
- Formação e Desenvolvimento de Capacidades
Instrumentos Psicométricos/Protocolos de intervenção
Apoio pedagógico ao/a professor/ae e a gestores/as
PROJETOS
SPTE
O Sistema de Proteção de Trajetórias Escolares é uma iniciativa NEES (Núcleo de Excelência em Tecnologias Sociais) e do MEC (Ministério da Educação) que busca atuar no combate à exclusão escolar em nível nacional, fornecendo ferramentas que apoiem gestores e gestoras, em diferentes níveis, e educadoras e educadores, na formulação de ações contextualizadas à realidade da educação brasileira baseadas em evidências. Isso inclui a construção de uma plataforma digital que integra dados relacionais de forma visual, permitindo que, de maneira ágil, a identificação de fatores de atenção e dimensões de proteção de trajetórias escolares sejam visibilizadas. Dessa forma, o SPTE busca contribuir para tomada de decisões mais informadas. Nosso foco é contribuir com um sistema educacional mais justo e inclusivo.
Programa Pé-de-Meia (PDM)
O Pé-de-Meia é um programa de incentivo financeiro-educacional voltado a estudantes matriculados no ensino médio público beneficiários do Cadastro Único para Programas Sociais do Governo Federal (CadÚnico). O programa funciona como uma poupança para promover a permanência e a conclusão escolar de estudantes nessa etapa de ensino. Seu objetivo é democratizar o acesso e reduzir a desigualdade social entre os jovens, além de fomentar a inclusão educacional e estimular a mobilidade social.
Sistema Gestão Presente (SGP)
O Sistema Gestão Presente (SGP) opera a Plataforma de Dados da Educação Básica (Decreto Nº 234/2025), que integra as informações de escolas e estudantes do Ensino Médio e oportuniza a implementação do Programa Pé-de-Meia, recebendo mensalmente informações de cerca de 8 milhões de estudantes. A Plataforma está em fase de expansão para incluir as informações do Ensino Fundamental e da Educação Infantil.
LANSE
A LANSE é uma plataforma em nuvem voltada à prevenção e intervenção em casos de risco acadêmico, oferecendo modelos preditivos que identificam semanalmente estudantes com probabilidade de evasão ou baixo desempenho, a partir de dados do Moodle. Integrada de forma simples aos sistemas educacionais já existentes, a solução combina algoritmos de aprendizado de máquina com dashboards analíticos que permitem tanto a gestores quanto a docentes visualizarem padrões de engajamento e tomarem decisões baseadas em dados. Com visualizações intuitivas e alertas personalizados, a LANSE viabiliza intervenções proativas, personalizadas e em tempo hábil, reduzindo a evasão, promovendo o sucesso acadêmico e fortalecendo a cultura de uso pedagógico de dados nas instituições de ensino. A ferramenta foi financiada com recursos da Rede Nacional de Pesquisa (RNP) e CNPq por meio do programa IA2.
Modelo predictivo de riesgos de desvinculación educativa en Uruguay
Desenvolvimento e implantação de uma solução nacional de learning analytics para prever, de forma antecipada, quais estudantes do ensino médio no Uruguai estavam em risco de evasão ou reprovação. Utilizando dados de mais de 258 mil estudantes de 2015 a 2020, provenientes de diferentes bases educacionais (incluindo desempenho escolar, frequência, participação em programas sociais e dados demográficos), foram construídos modelos preditivos com algoritmos de machine learning (especialmente Random Forest). Esses modelos foram aplicados em diferentes momentos do ano letivo, tanto para o ensino secundário regular quanto técnico, permitindo intervenções proativas. O projeto também envolveu o desenvolvimento de uma API para uso dos modelos, avaliação de vieses em atributos sensíveis (gênero, zona escolar, programas sociais), e entregou ao governo do Uruguai uma solução escalável, auditável e explicável, com potencial de orientar políticas públicas voltadas à redução da evasão escolar e à melhoria da trajetória educacional dos alunos. Esse projeto foi financiado pelo BID e teve a participação da Universidad de la República (UDELAR), Agencia de Gobierno Electrónico y Sociedad de la Información y del Conocimiento (AGESIC), Agencia Nacional de Educación Pública do Uruguay (ANEP) e Universidade Federal de Santa Catarina (UFSC).
Artigo para leitura sobre os resultados do projeto: Early Prediction of At-Risk Students in Secondary Education: A Countrywide K-12 Learning Analytics Initiative in Uruguay.
Construção de algoritmos preditores de abandono escolar e não aprovação escolar no Estado do Espírito Santo
O projeto foi desenvolvido no estado do Espírito Santo com o objetivo de antecipar casos de reprovação e abandono escolar no ensino médio, utilizando técnicas de aprendizado de máquina aplicadas a um conjunto amplo de dados acadêmicos, socioeconômicos e de desempenho de 79.165 estudantes da rede pública estadual. A iniciativa surgiu diante de desafios persistentes, como taxas de distorção idade-série superiores a 25% no 1º ano, além de índices relevantes de repetência (6,6%) e abandono (2%). Foram desenvolvidos seis modelos preditivos — dois para cada ano do ensino médio — aplicados em momentos distintos: antes do início do ano letivo e após o primeiro trimestre. Essa abordagem permitiu captar tanto riscos históricos quanto mudanças recentes no desempenho dos alunos. Os modelos utilizaram algoritmos interpretáveis (white-box), sendo o Random Forest o mais eficaz, alcançando acurácias entre 69,3% e 92,7%, com melhor desempenho nos modelos após o primeiro trimestre. Além da precisão, o projeto incorporou uma análise de justiça algorítmica para garantir que variáveis sensíveis como gênero, etnia, deficiência e participação em programas sociais não gerassem vieses discriminatórios. Os resultados da análise indicaram que os modelos operam de forma equitativa entre diferentes grupos populacionais. O projeto foi financiado pelo Banco Interamericano de Desenvolvimento (BID) e com o apoio do Instituto Unibanco (IU) e da SEDUC do Estado do Espírito Santo.
Artigo para leitura sobre os resultados do projeto: Anticipating Student Abandonment and Failure: Predictive Models in High School Settings
Entenda os Fundamentos do Nosso Modelo
Instrumento de Avaliação dos Fatores de Risco à Evasão Escolar (IAFREE)
O IAFREE, desenvolvido no âmbito do NEES, é um instrumento psicométrico que avalia fatores de risco para evasão e abandono escolar com base em cinco dimensões: a relação do(a) estudante com a escola, com os(as) profissionais da educação, com a família, com a comunidade e com seus pares (Vasconcelos et al., 2023). Trata-se de uma ferramenta aplicada de forma ágil, com retorno rápido e resultados que subsidiam intervenções mais sensíveis e personalizadas. O IAFREE vem sendo utilizado de forma integrada a modelos de inteligência artificial e aprendizado de máquina no Brasil, Uruguai e Chile, contribuindo para intervenções baseadas em evidências.
O Framework Híbrido de Proteção das Trajetórias Escolares
O modelo proposto pelo NEES adota um fluxo cíclico e responsivo para operacionalizar sistemas de alerta precoce. O processo inicia-se com a coleta de dados acadêmicos, demográficos e socioeconômicos, que alimentam modelos de predição capazes de identificar estudantes com maior risco de evasão, reprovação ou baixo desempenho. Uma vez identificados, os estudantes são classificados em níveis de prioridade para permitir ações diferenciadas e alinhadas ao contexto.
A etapa seguinte envolve a compreensão das causas subjacentes ao risco por meio de avaliações psicossociais mais detalhadas com o uso do IAFREE, o que permite direcionar a atenção para dimensões específicas e formular respostas mais ajustadas à realidade de cada trajetória. As estratégias de intervenção incluem desde ações simples, como comunicações com as famílias, até visitas domiciliares e planos de acompanhamento personalizados. Tudo isso é monitorado continuamente, permitindo ajustes em tempo real e garantindo a efetividade das ações.
A eficácia do modelo depende da prontidão organizacional das instituições educacionais envolvidas — ou seja, da existência de capacidades técnicas, humanas e operacionais para conduzir o ciclo com qualidade. Em um movimento de melhoria contínua, os dados atualizados retroalimentam o sistema, refinando os modelos e promovendo uma atuação adaptativa e centrada nas necessidades reais dos(as) estudantes.
Conheça o Grupo que Lidera as Iniciativas em Proteção de Trajetórias Escolares
Alessandra Debone é Diretora Executiva de Políticas Públicas e Inovação no Núcleo de Excelência em Tecnologias Sociais (NEES/UFAL). Possui graduação em Administração Pública pela Universidade do Estado de Santa Catarina (UDESC), é Especialista em Liderança Pública pela Universidade de Harvard (John Kennedy School). É membro do Programa de Liderança Feminina da Columbia University, o que reflete seu compromisso com a liderança global e iniciativas transformadoras. Atuoui no desenho e implementação da Rede de Inovação para Educação Híbrida (RIEH), do Sistema Gestão Presente (SGP), do Programa Pé-de-Meia, do Sistema de Alerta Preventivo de Evasão e Abandono Escolar (SAP) / Sistema de Proteção das Trajetórias Escolares (SPTE), do Programa Jornada da Equidade, entre outras políticas, projetos e programas no âmbito do NEES.
André Magno Costa de Araújo é doutor em Ciência da Computação pela Universidade Federal de Pernambuco (UFPE) e atualmente é docente no curso de Sistemas de Informação (SI) na Unidade Educacional de Penedo, da Universidade Federal de Alagoas (UFAL), onde é membro permanente do Programa de Pós-Graduação em Informática (PPgI) na mesma instituição. No NEES Coordena projetos de pesquisa com fomento de órgãos governamentais em parceria com universidades nacionais e internacionais. Atualmente lidera iniciativas de modernização e transformação digital das soluções computacionais que apoiam a avaliação pedagógica do PNLD junto ao Ministério da Educação (MEC). Em parceria com a Subsecretaria de Tecnologia da Informação e Comunicação (STIC)/MEC, conduz a concepção e a implementação de uma política de governança de dados que visa especificar um padrão de interoperabilidade de dados para a educação do Brasil. Tem experiência na área de Ciência da computação, com ênfase em Linguagens de Programação, Banco de Dados, Engenharia de Software, Modelagem de Dados e Desenvolvimento de Sistemas.
Angelina Nunes de Vasconcelos possui graduação em Psicologia pela Universidade Federal de Alagoas (2010), mestrado em Psicologia Cognitiva pela Universidade Federal de Pernambuco (2013) e doutorado em Doutorado em Lingüística pela Universidade Estadual de Campinas (2017) e atualmente é docente do Instituto de Psicologia da Universidade Federal de Alagoas (UFAL), onde é membro permanente do Programa de Pós-graduação em Psicologia (PPGP/UFAL). Tem experiência na área de Psicologia, com ênfase em Psicologia Escolar Educacional, Equidade Educacional, Políticas públicas e Equidade, atuando principalmente nos seguintes temas: Equidade Educacional, Psicologia Escolar Educacional; Desenvolvimento Infantil; Aquisição da Linguagem; Argumentação; Psicologia Cognitiva.
Cristian Cechinel é doutor em Ingeniería de la Información y del Conocimiento pela Universidad de Alcalá (Espanha), professor da Universidade Federal de Santa Catarina (UFSC) – Campus Araranguá, e atua principalmente em projetos de pesquisa aplicada com foco em mineração de dados educacionais, learning analytics e avaliação da qualidade de recursos educacionais. É professor permanente do PPGTIC/UFSC e colaborador do PPGC/UFPel. Participa de redes e projetos internacionais nas áreas de tecnologia educacional e predição de risco acadêmico, com destaque para iniciativas financiadas por União Europeia, CYTED, ANII (Uruguai) e BID. Coordenou o projeto GT-LANSE e atualmente lidera um projeto do edital IA² do CNPq para implementação de serviços preditivos na nuvem com uso de aprendizado de máquina. Cristian é bolsista de produtividade em desenvolvimento tecnológico e extensão inovadora do CNPq (DT2).
Emanuel Queiroga é Doutor em Ciência da Computação pela Universidade Federal de Pelotas (UFPel), atuando como Analista de Tecnologia no Instituto Federal Sul-rio-grandense (IFSul) e Pesquisador Associado no NEES. Atua principalmente em projetos de pesquisa aplicada voltados à geração e uso de modelos de predição para proteção de trajetórias educacionais na educação básica, com foco em learning analytics, predição de abandono e reprovação escolar, interoperabilidade de dados educacionais e uso ético de inteligência artificial em políticas públicas. Desenvolve esses trabalhos em colaboração com o Ministério da Educação (MEC), a Secretaria de Educação do Espírito Santo (SEDU-ES), o Instituto Unibanco, o Banco Interamericano de Desenvolvimento (BID), a iniciativa fAIrLAC, a Universidad de la República (Udelar) e a ANEP (Administração Nacional de Educação Pública) do Uruguai.
Ig Ibert Bittencourt é Psicólogo, Cientista da Computação e Professor Associado da Universidade Federal de Alagoas (UFAL), com atuação destacada na pesquisa aplicada em tecnologias educacionais voltadas à promoção da equidade, aprendizagem e bem-estar. É Pesquisador Visitante na Universidade Harvard, bolsista de produtividade em desenvolvimento tecnológico (CNPq DT-1C) e recebeu a Ordem Nacional do Mérito Educativo. Criador do conceito de Positive AI in Education (P-AIED) e do framework GamiFlow, tem contribuído para políticas públicas como o Sistema de Alerta Preventivo (considerado referência global pelo Banco Mundial), a política de educação híbrida e a transformação digital do PNLD. Cofundou um centro de pesquisa com mais de 700 membros e atua em colaboração com MEC, UNESCO e outras organizações internacionais.
Júlia Gabriele Lima da Rosa é graduada, mestre, doutoranda em Políticas Públicas (Universidade Federal do Rio Grande do Sul/UFRGS) e discente na especialização em Inovação Sustentável do Programa Sustainable Innovation Professional. Pesquisadora e gerente de políticas públicas no Núcleo de Excelência em Tecnologias Sociais (NEES/UFAL), onde participa do desenvolvimento e implementação do Sistema Gestão Presente (SGP), do Programa Pé de Meia (PdM), do Sistema de Alerta Preventivo de Evasão e Abandono Escolar (SAP) ./ Sistema de Proteção das Trajetórias Escolares (SPTE), da estratégia nacional de Governança de Dados na Educação, da implementação da Rede de Inovação para a Educação Híbrida (RIEH) e da concepção e desenvolvimento da Plataforma Pública de Streaming (Tela Brasil). Atuou junto do Legislativo Municipal e do terceiro setor como pesquisadora e formuladora de políticas públicas.
Leogildo Alves Freires é Doutor em Psicologia Social (UFPB) e atualmente é docente do Instituto de Psicologia da Universidade Federal de Alagoas (UFAL), onde é membro permanente do Programa de Pós-graduação em Psicologia (PPGP/UFAL) e lidera o Laboratório Alagoano de Psicometria e Avaliação Psicológica (LAPAP/UFAL. Desenvolve pesquisas no NEES, concentradas, basicamente, no desenvolvimento e adaptação de instrumentos de medidas psicoeducacionais, assim como no design e experimentação de tecnologias inteligentes para promover a equidade, combate à evasão escolar e bem-estar das populações considerando diferentes marcadores sociais e suas interseccionalidades. Tem atuado em projetos vinculados ao Ministério da Educação (MEC) com temáticas de combate à evasão escolar (TED 10974), promoção da equidade educacional (TED 11970) e diagnóstico de maturidade e prontidão à educação em governança de dados (TED 13169).
Rafael Ferreira Mello possui um doutorado em Ciência da Computação com interesses de pesquisa que abrangem learning analytics, inteligência artificial generativa e processamento de linguagem natural. Ele é professor na UFRPE e no CESAR. Nos últimos anos, apoiou a adoção de técnicas e ferramentas de learning analytics em várias instituições no Brasil. Um reconhecimento de suas contribuições é ter sido o pesquisador líder em dois projetos de âmbito nacional, financiados pelo Ministério da Educação do Brasil, visando o desenvolvimento de (i) técnicas de processamento de linguagem natural e análise de aprendizagem para aprimorar as produções escritas dos alunos e (ii) Painéis de Análise de Aprendizagem para apoiar a tomada de decisões em relação ao plano nacional de educação. Além disso, trabalhou em diversos projetos de pesquisa multinacionais, envolvendo parceiros institucionais e organizacionais na Europa, Austrália e América Latina. Ele publicou em jornais e anais de conferências internacionais líderes nas áreas de sua pesquisa. Também atuou como editor assistente e revisor de várias revistas e conferências, incluindo International Learning Analytics & Knowledge Conference, Journal of Learning Analytics, Computers and Education, British Journal of Educational Technology, and Internet and Higher Education.
Thiago Damasceno Cordeiro é Doutor em Engenharia Elétrica pela Universidade Federal de Campina Grande (UFCG) e atualmente é docente do Instituto de Computação (IC), da Universidade Federal de Alagoas (UFAL), onde é membro permanente do Programa de Pós-Graduação em Informática (PPgI) na mesma instituição. Vem exercendo a coordenação de projetos de tecnologia no Núcleo de Excelência em Tecnologias Sociais (NEES-Ufal) colaborando com políticas públicas baseadas em evidências junto com o Ministério da Educação do Brasil, conquistando o reconhecimento da UNESCO em 2022 por métodos de ensino inovadores para a recuperação da aprendizagem de estudantes com dificuldades em produção textual.
Leonardo Brandão Marques é professor no Centro de Educação da Universidade Federal de Alagoas (UFAL). Doutor em Psicologia (Universidade Federal de São Carlos, UFSCAR), com período sanduíche na Universidade de Massachusetts Medical School (UMASS) e pesquisa de pós-doutorado no Laboratório de Computação Aplicada à Educação da USP (ICMC-USP). Pesquisador visitante na Harvard Graduate School of Education (HGSE). Consultor do FNDE e do Ministério da Educação em projetos relacionados ao programa Nacional do Livro e do Material Didático (PNLD), do Sistema Gestão Presente e no programa Pé-de-meia. Pesquisador, Revisor e chair de relevantes journals da área de Inteligência Artificial Aplicada a Educação e Psicologia da Aprendizagem (AIED, Laclo, ECTEL) Atualmente pesquisa Inteligência Artificial aplicada à educação, alfabetização e a fidelidade na implementação de procedimentos de ensino baseados em evidências. Conselheiro do Núcleo de Excelência em Tecnologias Sociais (NEES/UFAL).
