+10
anos em educação e ensino
Experiência combinando ensino, pesquisa e aplicação.
ENSINO DE IA · DIDÁTICA APLICADA
Transformo ferramentas complexas de Inteligência Artificial em experiências que as pessoas conseguem compreender, praticar e aplicar.
Doutor em Bioinformática e educador com mais de dez anos de experiência, combino rigor científico, design de aprendizagem e demonstrações práticas para ensinar IA sem superficialidade, jargão desnecessário ou dependência de receitas prontas.
PhD
Doutorado e Pós-Doutorado
Formação em Bioinformática pela UFMG.
IA
aplicada à aprendizagem
Projetos e demonstrações navegáveis no laboratório.
LXD
design instrucional
Aprendizagem orientada por objetivos e evidências.
MICROAULA INTERATIVA · PROVA 01
Do pedido genérico à instrução confiável
Uma demonstração navegável de como diagnosticar, estruturar, testar e avaliar uma interação com IA. Todo o percurso funciona localmente e produz sempre o mesmo resultado.
PROGRESSO · 01 DE 0425%
01
ETAPA ATUAL
Diagnosticar
Antes de escrever, descubra o que precisa mudar depois da resposta. Identifique objetivo, público, contexto disponível e restrições reais.
Uma instrução frágil costuma começar pela ferramenta. Uma instrução confiável começa pela necessidade da pessoa.
COMO RESPONDO A UMA DÚVIDA · PROVA 02
AI Teaching Copilot
Demonstração de raciocínio didático interativo. Não é um chat em tempo real e não utiliza uma API: cada resposta foi estruturada para tornar o método de ensino observável.
DÚVIDAS DISPONÍVEISSELECIONE 01
Demonstração pedagógica interativa com conteúdo local e determinístico.
RACIOCÍNIO DIDÁTICO · 01
Por que meu prompt não produz respostas consistentes?
A IA completa lacunas com possibilidades prováveis. Quando a instrução deixa muitas lacunas, várias respostas diferentes podem parecer aceitáveis para o sistema.
Provavelmente há decisões importantes implícitas: público, objetivo, critérios ou formato mudam a cada tentativa sem que você perceba.
Pegue um prompt recente e marque, com quatro cores, objetivo, contexto, critérios e formato. Reescreva apenas o bloco ausente.
Em vez de “crie uma aula sobre IA”, indique público, duração, resultado de aprendizagem, conhecimentos prévios, atividade e modo de verificar a aprendizagem.
Se outra pessoa lesse sua instrução, ela saberia reconhecer uma boa resposta sem precisar perguntar nada?
É como pedir a três pessoas “preparem a sala” sem informar se haverá uma palestra, uma oficina ou uma avaliação. Todas podem agir corretamente e chegar a resultados incompatíveis.
O QUE O FEEDBACK MUDA · PROVA 03
Corrigir não é ensinar. Mudar o critério é.
Entre praticar e ter evidência existe um elo que quase nunca é mostrado: o feedback. Cada caso abaixo é um erro recorrente de quem começa a usar IA no ensino, com a intervenção que aplico e como verifico se algo realmente mudou.
Ciclo de feedback · do erro recorrente à mudança verificável
- 01Sinal observado
A pessoa escreve “faça um plano de aula sobre X” e entrega o que voltou, sem alterar nada.
- 02Diagnóstico do erro
O problema não é o prompt curto. É que ainda não existe um critério pessoal do que seria um bom plano de aula, e sem critério qualquer saída parece aceitável.
- 03Intervenção de feedback
Devolvo a pergunta antes de devolver a técnica: o que essa turma precisa conseguir fazer ao final? Só depois trabalhamos como descrever isso ao modelo.
- 04O que muda na tentativa seguinte
A tentativa seguinte começa pelo objetivo de aprendizagem e pelas restrições reais da turma. O prompt cresce porque o pensamento cresceu.
- 05Como verifico a mudança
Verifico se a pessoa consegue justificar por que rejeitou a primeira versão. Aceitar tudo ainda é o sinal de que o critério não existe.
O ciclo não termina na correção. Termina quando a pessoa consegue aplicar o critério sozinha na próxima tarefa, que é exatamente o degrau de transferência.
Descrição do método de feedback aplicado em aula. Os casos são padrões recorrentes de quem começa a usar IA no ensino, não registros de participantes específicos.
ARQUITETURA DE UMA AULA · SISTEMA 07
A ferramenta chega depois da arquitetura da aula.
Cada etapa protege a aula de virar apenas uma apresentação de recursos. O percurso começa pela necessidade de quem aprende e termina com uma evidência do que essa pessoa consegue fazer.
- 01
Diagnóstico
Revela repertório, necessidade e contexto para não ensinar uma solução antes de compreender o problema.
- 02
Objetivo de aprendizagem
Define o que a pessoa deverá conseguir fazer, criando um critério concreto para todas as escolhas da aula.
- 03
Demonstração
Torna o raciocínio visível em um exemplo real, incluindo decisões, limites e pontos de atenção.
- 04
Prática orientada
Transfere a ação para quem aprende com apoio suficiente para experimentar sem ficar à deriva.
- 05
Feedback
Mostra a distância entre tentativa e critério, oferecendo direção específica para a próxima melhoria.
- 06
Aplicação real
Leva o conhecimento para uma situação reconhecível, evitando que a aprendizagem termine no exemplo do professor.
- 07
Evidência de aprendizagem
Confirma o que a pessoa consegue realizar e orienta revisão, aprofundamento ou autonomia.
COMO SEI QUE ALGUÉM APRENDEU · PROVA 04
Aprendizagem não se declara. Ela deixa evidência.
A pergunta que quase nenhuma formação em IA responde: como você sabe que a pessoa aprendeu? Cada degrau abaixo declara o que conta como evidência, como a verificação acontece e o que a pessoa consegue fazer depois.
Escada de evidência · como o aprendizado é verificado
Modelo de verificação usado no desenho das formações. Descreve critérios de evidência. Não apresenta resultados medidos de turmas.
FORMATOS QUE POSSO CONDUZIR · CAMPO DE APLICAÇÃO
Da explicação concentrada à jornada completa.
O formato muda conforme público, contexto e resultado de aprendizagem. O compromisso permanece: clareza, prática orientada, feedback e aplicação reconhecível.
01
Microaulas e demonstrações práticas
Explicações concentradas em uma decisão, seguidas de aplicação imediata.
02
Workshops de AI Fluency
Prática orientada, com critério de aceite definido pela própria equipe.
03
Monitoria e suporte a estudantes
Acompanhamento de dúvidas, tentativas e estratégias de resolução.
04
Formação de educadores
Integração entre objetivos pedagógicos, IA e responsabilidade profissional.
05
Trilhas de aprendizagem
Sequências progressivas com prática, feedback e evidências de avanço.
06
Laboratórios de ferramentas No-Code e IA
Exploração guiada de protótipos, fluxos e possibilidades aplicadas.
07
Sessões de dúvidas e resolução de problemas
Diagnóstico coletivo e construção transparente de caminhos de solução.
08
Desenvolvimento de materiais didáticos
Recursos claros, testáveis e conectados a objetivos de aprendizagem.
FERRAMENTAS E TEMAS · REPERTÓRIO EXISTENTE
Tecnologia a serviço da experiência, não o contrário.
Repertório presente nos projetos e evidências deste laboratório. No-Code e desenvolvimento assistido aparecem como meios honestos para prototipar, demonstrar e ensinar, não como alegação de engenharia de software sênior.
01
Modelos e interfaces
- ChatGPT
- Claude
- Gemini
- ferramentas de criação multimodal
02
Ensino e estratégia
- Engenharia de Prompts
- AI Fluency
- Design Instrucional
- Learning Experience Design
- Learning Analytics
03
Prototipagem assistida
- n8n
- Automação No-Code
- Supabase
- Lovable
CONVERSA INICIAL · SEM RECEITA PRONTA