INTELIGÊNCIA ARTIFICIAL GENERATIVA E MATEMÁTICA: UMA ANÁLISE COMPARATIVA DE DESEMPENHO NO ENEM 2024
"2025-12-02" // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php
App\Base\Administrativo\Model\Artigo {#1845 // app/Providers/../Base/Publico/Artigo/resources/show_includes/info_artigo.blade.php #connection: "mysql" +table: "artigo" #primaryKey: "id" #keyType: "int" +incrementing: true #with: [] #withCount: [] +preventsLazyLoading: false #perPage: 15 +exists: true +wasRecentlyCreated: false #escapeWhenCastingToString: false #attributes: array:35 [ "id" => 125688 "edicao_id" => 438 "trabalho_id" => 1887 "inscrito_id" => 9255 "titulo" => "INTELIGÊNCIA ARTIFICIAL GENERATIVA E MATEMÁTICA: UMA ANÁLISE COMPARATIVA DE DESEMPENHO NO ENEM 2024" "resumo" => "A crescente aplicação de Inteligência Artificial (IA) generativa em tarefas educacionais tem despertado interesse sobre sua eficácia na resolução de avaliações padronizadas. Este estudo analisa o desempenho comparativo dos modelos ChatGPT, Gemini e DeepSeek na prova de Matemática do ENEM 2024, utilizando o gabarito oficial para avaliar a precisão das respostas fornecidas por cada IA. A abordagem metodológica adotada foi a qualitativa, permitindo uma análise descritiva dos dados de desempenho das IA. Além da acurácia geral, o estudo investiga possíveis padrões de erro e a possível influência de questões que exigem interpretação de gráficos e tabelas. Os resultados obtidos mostram que os três modelos de IA tiveram um desempenho abaixo do esperado, com o modelo DeepSeek alcançando um resultado superior em relação aos outros modelos, com 51% de questões corretas, seguido pelo Gemini com 42,2% e pelo ChatGPT com 38% de acertos, demonstrando variações significativas entre os modelos na capacidade de interpretar e resolver problemas matemáticos. As IA demonstraram dificuldades em questões com figuras, gráficos e problemas de lógica, com padrões de erro que incluíam cálculos incorretos e interpretação inadequada dos dados. Os achados contribuem para a compreensão das limitações e potencialidades da IA generativa na resolução de problemas matemáticos em contextos acadêmicos e avaliativos, oferecendo subsídios para pesquisas futuras sobre a integração dessas tecnologias no ensino de matemática." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "GT 19 - Tecnologias e Educação" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV214_ID9255_TB1887_30102025203412.pdf" "created_at" => "2025-12-02 14:51:22" "updated_at" => null "ativo" => 1 "autor_nome" => "SILVINO MARQUES DA SILVA JUNIOR" "autor_nome_curto" => "SILVINO JR" "autor_email" => "silvinomarques@ifpi.edu.br" "autor_ies" => "UNIVERSIDADE DO VALE DO TAQUARI (UNIVATES)" "autor_imagem" => "" "edicao_url" => "anais-xi-congresso-nacional-de-educacao" "edicao_nome" => "Anais XI Congresso Nacional de Educação" "edicao_evento" => "XI Congresso Nacional de Educação" "edicao_ano" => 2025 "edicao_pasta" => "anais/conedu/2025" "edicao_logo" => null "edicao_capa" => "692d8b19ea55f_01122025093329.png" "data_publicacao" => "2025-12-02" "edicao_publicada_em" => "2025-12-01 09:33:29" "publicacao_id" => 19 "publicacao_nome" => "Anais CONEDU" "publicacao_codigo" => "2358-8829" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #original: array:35 [ "id" => 125688 "edicao_id" => 438 "trabalho_id" => 1887 "inscrito_id" => 9255 "titulo" => "INTELIGÊNCIA ARTIFICIAL GENERATIVA E MATEMÁTICA: UMA ANÁLISE COMPARATIVA DE DESEMPENHO NO ENEM 2024" "resumo" => "A crescente aplicação de Inteligência Artificial (IA) generativa em tarefas educacionais tem despertado interesse sobre sua eficácia na resolução de avaliações padronizadas. Este estudo analisa o desempenho comparativo dos modelos ChatGPT, Gemini e DeepSeek na prova de Matemática do ENEM 2024, utilizando o gabarito oficial para avaliar a precisão das respostas fornecidas por cada IA. A abordagem metodológica adotada foi a qualitativa, permitindo uma análise descritiva dos dados de desempenho das IA. Além da acurácia geral, o estudo investiga possíveis padrões de erro e a possível influência de questões que exigem interpretação de gráficos e tabelas. Os resultados obtidos mostram que os três modelos de IA tiveram um desempenho abaixo do esperado, com o modelo DeepSeek alcançando um resultado superior em relação aos outros modelos, com 51% de questões corretas, seguido pelo Gemini com 42,2% e pelo ChatGPT com 38% de acertos, demonstrando variações significativas entre os modelos na capacidade de interpretar e resolver problemas matemáticos. As IA demonstraram dificuldades em questões com figuras, gráficos e problemas de lógica, com padrões de erro que incluíam cálculos incorretos e interpretação inadequada dos dados. Os achados contribuem para a compreensão das limitações e potencialidades da IA generativa na resolução de problemas matemáticos em contextos acadêmicos e avaliativos, oferecendo subsídios para pesquisas futuras sobre a integração dessas tecnologias no ensino de matemática." "modalidade" => "Comunicação Oral (CO)" "area_tematica" => "GT 19 - Tecnologias e Educação" "palavra_chave" => ", , , , " "idioma" => "Português" "arquivo" => "TRABALHO_COMPLETO_EV214_ID9255_TB1887_30102025203412.pdf" "created_at" => "2025-12-02 14:51:22" "updated_at" => null "ativo" => 1 "autor_nome" => "SILVINO MARQUES DA SILVA JUNIOR" "autor_nome_curto" => "SILVINO JR" "autor_email" => "silvinomarques@ifpi.edu.br" "autor_ies" => "UNIVERSIDADE DO VALE DO TAQUARI (UNIVATES)" "autor_imagem" => "" "edicao_url" => "anais-xi-congresso-nacional-de-educacao" "edicao_nome" => "Anais XI Congresso Nacional de Educação" "edicao_evento" => "XI Congresso Nacional de Educação" "edicao_ano" => 2025 "edicao_pasta" => "anais/conedu/2025" "edicao_logo" => null "edicao_capa" => "692d8b19ea55f_01122025093329.png" "data_publicacao" => "2025-12-02" "edicao_publicada_em" => "2025-12-01 09:33:29" "publicacao_id" => 19 "publicacao_nome" => "Anais CONEDU" "publicacao_codigo" => "2358-8829" "tipo_codigo_id" => 1 "tipo_codigo_nome" => "ISSN" "tipo_publicacao_id" => 1 "tipo_publicacao_nome" => "ANAIS de Evento" ] #changes: [] #casts: array:14 [ "id" => "integer" "edicao_id" => "integer" "trabalho_id" => "integer" "inscrito_id" => "integer" "titulo" => "string" "resumo" => "string" "modalidade" => "string" "area_tematica" => "string" "palavra_chave" => "string" "idioma" => "string" "arquivo" => "string" "created_at" => "datetime" "updated_at" => "datetime" "ativo" => "boolean" ] #classCastCache: [] #attributeCastCache: [] #dates: [] #dateFormat: null #appends: [] #dispatchesEvents: [] #observables: [] #relations: [] #touches: [] +timestamps: false #hidden: [] #visible: [] +fillable: array:13 [ 0 => "edicao_id" 1 => "trabalho_id" 2 => "inscrito_id" 3 => "titulo" 4 => "resumo" 5 => "modalidade" 6 => "area_tematica" 7 => "palavra_chave" 8 => "idioma" 9 => "arquivo" 10 => "created_at" 11 => "updated_at" 12 => "ativo" ] #guarded: array:1 [ 0 => "*" ] }