Ambient intelligent and machine learning applications for increasing efficiency and skills: a case study on secondary education on Math

Abstract

O desempenho académico no ensino secundário é influenciado por fatores académicos, comportamentais e contextuais. Neste contexto, a integração da Inteligência Artificial, da Aprendizagem Automática e dos Grandes Modelos de Linguagem na educação oferece oportunidades para identificar padrões de desempenho, apoiar a aprendizagem personalizada e facilitar a tomada de decisões pedagógicas baseadas em evidências. Esta tese propõe uma Arquitetura de Referência para a Educação Inteligente, enquadrada numa perspetiva de Inteligência Ambiental centrada no software e orientada por dados. A Inteligência Ambiental é entendida como um paradigma que integra dados educativos heterogéneos, informação contextual e componentes computacionais inteligentes para apoiar a tomada de decisões educativas. A arquitetura desenvolvida integra modelação preditiva baseada na fusão precoce de dados, seleção de atributos e Inteligência Artificial Explicável, bem como um Tutor de Matemática baseado em Geração Aumentada por Recuperação e num Modelo de Linguagem de Grande Dimensão executado localmente através do Ollama, alinhado com o currículo do 10.º ano. A validação centrou-se no desempenho preditivo, na explicabilidade e nas perceções de utilidade e usabilidade, envolvendo, no caso do tutor, um professor e 27 alunos do 10.º ano. Os resultados constituem uma validação inicial de prova de conceito e não incluem a medição longitudinal de ganhos formais de aprendizagem. De um modo geral, a investigação integra modelação preditiva, explicabilidade e tutoria adaptativa numa arquitetura modular, contribuindo para o desenvolvimento de ambientes educativos inteligentes baseados em dados e para a aplicação responsável da Inteligência Artificial em contextos de ensino formal.

Academic performance in secondary education is influenced by academic, behavioural and contextual factors. In this context, the integration of Artificial Intelligence, Machine Learning and Large Language Models into education offers opportunities to identify performance patterns, support personalised learning and facilitate evidence-based pedagogical decision-making. This thesis proposes a Reference Architecture for Intelligent Education, framed within a softwarecentred, data-driven Environmental Intelligence perspective. Environmental Intelligence is understood as a paradigm that integrates heterogeneous educational data, contextual information and intelligent computational components to support educational decision-making. The architecture developed incorporates predictive modelling based on early data fusion, attribute selection and Explainable Artificial Intelligence, as well as a Mathematics Tutor based on Retrieval-Augmented Learning and a Large Language Model run locally via Ollama, aligned with the 10th-year curriculum. The validation focused on predictive performance, explainability, and perceptions of usefulness and usability, involving, in the case of the tutor, a teacher and 27 Year 10 pupils. The results constitute an initial proof-of-concept validation and do not include longitudinal measurement of formal learning gains. Overall, the research integrates predictive modelling, explainability and adaptive tutoring within a modular architecture, contributing to the development of data-driven intelligent educational environments and to the responsible application of Artificial Intelligence in formal educational contexts.