O Que A Inteligência Artificial Revela Sobre Como Pensamos e Como Educamos

A MAQUINA QUE APRENDE E A MENTE QUE ENSINA: O QUE A INTELIGÊNCIA ARTIFICIAL REVELA SOBRE COMO PENSAMOS E COMO EDUCAMOS

O QUE REALMENTE QUEREMOS DIZER QUANDO FALAMOS EM INTELIGÊNCIA ARTIFICIAL

O termo inteligência artificial nasceu formalmente em 1956, numa conferência de tecnologia nos Estados Unidos, mas sua semente já estava plantada duas décadas antes, quando Alan Turing formalizou a ideia de algoritmo em seu trabalho sobre a máquina que levaria seu nome. Um algoritmo, no fundo, é apenas uma sequência de instruções aplicadas sistematicamente até que um resultado apareça – algo estruturalmente muito mais simples e muito menos misterioso do que o marketing tecnológico costuma sugerir. O que transformou esse conceito relativamente modesto em uma força capaz de redesenhar sistemas educacionais inteiros foi a combinação entre poder computacional, volume de dados e técnicas de aprendizado de máquina que permitem a um sistema melhorar seu próprio desempenho a partir da experiência acumulada, sem que um programador precise reescrever manualmente cada regra.

Essa definição técnica, porém, esconde uma armadilha filosófica que vale a pena examinar com calma. Quando dizemos que uma máquina “aprende”, estamos usando, por analogia, um verbo que pertence originalmente à experiência subjetiva humana – aquela mistura de tentativa, erro, frustração, insight e reorganização interna que qualquer pessoa reconhece intuitivamente como aprendizagem. A máquina não sente nada disso. Ela ajusta parâmetros estatísticos até que a taxa de erro diminua. É um processo genuinamente poderoso, mas categorialmente diferente daquilo que acontece dentro de um cérebro humano quando uma criança finalmente entende, depois de semanas de confusão, por que a divisão de frações funciona do jeito que funciona. Confundir essas duas coisas – otimização estatística e compreensão consciente – é o primeiro erro categorial que precisamos evitar se quisermos pensar com clareza sobre IA na educação, e é também, coincidentemente, um dos problemas centrais que a própria filosofia da mente vem debatendo há décadas ao tentar entender a diferença entre processar informação e genuinamente compreender algo.

AS DUAS GRANDES FRENTES: PERSONALIZAR O APRENDIZADO E GERENCIAR O SISTEMA

Especialistas costumam dividir o uso educacional da inteligência artificial em duas grandes frentes, e essa divisão ajuda a organizar um debate que, de outra forma, tende a se tornar confuso e genérico.

A primeira frente é a personalização da aprendizagem e a melhoria do desempenho escolar. Aqui entram os chamados sistemas tutores inteligentes, plataformas capazes de ajustar o ritmo, o conteúdo e até o tipo de atividade oferecida a cada estudante, a partir da análise contínua de seu desempenho. Um exemplo consolidado é uma plataforma americana de aprendizagem adaptativa usada em cursos universitários de biologia, que ajustou dinamicamente o conteúdo oferecido a cada estudante ao longo de quatro anos consecutivos e produziu uma redução de vinte por cento na taxa de evasão da disciplina. Outro exemplo, ainda mais expressivo, vem da Índia: uma plataforma voltada para matemática, inglês e ciências, usada em centros de estudo de mais de trezentas escolas, gera diariamente milhões de perguntas personalizadas e, segundo um estudo randomizado conduzido por pesquisadores de uma universidade californiana, produziu ganhos de aprendizagem duas vezes maiores em matemática entre os estudantes que frequentaram os centros por cerca de quatro meses e meio, quando comparados a um grupo de controle que recebeu apenas o ensino tradicional da rede local.

A segunda frente, menos visível para quem está dentro da sala de aula mas talvez ainda mais decisiva, é o uso da inteligência artificial em sistemas de gestão escolar e análise de dados. É aqui que entram algoritmos que ajudam secretarias de educação a prever evasão, otimizar a alocação de vagas, identificar escolas que precisam de intervenção prioritária e gerar painéis de dados para gestores. O caso mais estudado é justamente o de Nova York, onde um algoritmo processa anualmente a distribuição de dezenas de milhares de adolescentes entre centenas de escolas de ensino médio, cruzando as preferências declaradas pelas famílias com os critérios de prioridade estabelecidos por cada instituição. O sistema reduziu drasticamente o número de estudantes sem escola alocada, uma melhoria real e mensurável sobre o processo manual anterior – mas, como veremos adiante, ele também tornou mais eficiente algo que já era estruturalmente desigual antes de qualquer algoritmo existir.

Essa distinção entre as duas frentes é importante porque cada uma levanta um tipo diferente de pergunta filosófica. A personalização da aprendizagem nos obriga a perguntar o que significa conhecer verdadeiramente um estudante – até que ponto um perfil estatístico de respostas certas e erradas captura algo relevante sobre a mente de uma criança específica, e até que ponto ele apenas mede a superfície comportamental de um processo cognitivo muito mais rico e opaco. Já a gestão algorítmica de sistemas inteiros nos obriga a perguntar sobre justiça social: um algoritmo pode processar dados com muito mais eficiência do que um ser humano, mas ele herda, quase sempre sem questionar, os critérios de prioridade e as desigualdades estruturais que já existiam antes dele.

OS RISCOS QUE NENHUM ENTUSIASMO TECNOLÓGICO DEVERIA OMITIR

A Organização das Nações Unidas para a Educação, a Ciência e a Cultura mapeou seis grandes desafios que qualquer sociedade enfrenta ao tentar incorporar inteligência artificial em seus sistemas educacionais de forma responsável, e vale a pena examiná-los com atenção, porque eles revelam uma verdade desconfortável: a maior parte dos obstáculos não é técnica, é social e política.

O primeiro desafio é a ausência de políticas públicas amadurecidas sobre o tema – a regulação, em praticamente todo o mundo, ainda engatinha diante de uma tecnologia que já opera em escala. O segundo é garantir inclusão e equidade, já que países em desenvolvimento enfrentam obstáculos concretos como acesso limitado à energia elétrica, à internet e a equipamentos, além da escassez de conteúdo culturalmente apropriado ou disponível no idioma local. O terceiro é a formação de professores, que precisam desenvolver habilidades analíticas e críticas em relação a dados para poder usar essas ferramentas com discernimento, em vez de operá-las como caixas-pretas mágicas cujo funcionamento interno ninguém entende. O quarto é o desenvolvimento de sistemas de dados que sejam, ao mesmo tempo, abrangentes e financeiramente viáveis para países de renda baixa e média. O quinto é a necessidade de pesquisa local e descentralizada, já que soluções desenhadas para salas de aula de Cingapura ou do Canadá raramente respondem, sem adaptação, às condições reais de uma escola pública do interior do Brasil. E o sexto, talvez o mais delicado de todos do ponto de vista ético, é a transparência no uso e na coleta de dados, incluindo o problema já bem documentado do viés algorítmico.

Esse último ponto merece atenção especial, porque toca diretamente em uma questão que já preocupa a psicologia social há muito mais tempo do que preocupa a ciência da computação: os algoritmos de aprendizado de máquina são treinados com dados produzidos por sociedades humanas reais, e essas sociedades carregam preconceitos históricos que os dados refletem fielmente, mesmo quando ninguém programou intencionalmente uma regra discriminatória. Instituições que usam algoritmos para aceitar ou recusar candidatos podem, sem perceber, reproduzir e até amplificar desigualdades que já existiam antes da automação – e o problema se agrava quando o funcionamento do sistema é uma caixa-preta que nem professores, nem gestores, nem as próprias famílias conseguem examinar ou questionar. Há ainda a questão da concentração de dados pessoais de milhões de estudantes nas mãos de um número pequeno de empresas de tecnologia educacional, o que levanta preocupações concretas sobre privacidade e sobre quem, de fato, controla o registro digital da infância e da adolescência de uma geração inteira.

É irônico, mas revelador, que o caso do algoritmo escolar de Nova York ilustre exatamente essa armadilha. O sistema tornou o processo de alocação de vagas mais eficiente e reduziu o número de adolescentes sem escola definida – uma conquista real. Mas ele não questiona, e talvez nem pudesse questionar, os critérios de prioridade que certas escolas usam para selecionar seus alunos, critérios que, segundo analistas do próprio sistema, ajudam a manter escolas segregadas segundo linhas socioeconômicas. A tecnologia otimizou um sistema desigual sem torná-lo mais justo – ela apenas o tornou mais rápido. É uma lição que vale para muito além da educação: eficiência não é o mesmo que justiça, e um algoritmo bem construído pode, paradoxalmente, tornar mais difícil enxergar e questionar uma desigualdade, precisamente porque ele a reveste de uma aparência de neutralidade matemática.

O TRIÂNGULO DE OURO: POR QUE A TECNOLOGIA SOZINHA NÃO BASTA

Rose Luckin, pesquisadora do University College London e uma das vozes mais respeitadas no debate global sobre inteligência artificial e educação, propõe um conceito que ajuda a organizar essa discussão de forma mais produtiva do que o eterno confronto entre entusiastas e céticos da tecnologia. Ela chama de triângulo de ouro a integração entre três grupos que raramente conversam entre si com a profundidade necessária: educadores, que conhecem intimamente os processos reais de aprendizagem; desenvolvedores de tecnologia educacional, que dominam as ferramentas técnicas; e pesquisadores, que fazem a ponte entre os dois mundos, ajudando programadores a compreender melhor como as pessoas efetivamente aprendem e ajudando educadores a compreender o que a tecnologia realmente pode e não pode fazer.

Segundo Luckin, um dos erros mais comuns nesse debate é tratar a sala de aula como um ambiente pobre em dados relevantes, quando na verdade ela é riquíssima em informação que raramente é sistematicamente observada: quanto tempo o professor fala em comparação ao tempo em que os alunos falam, como o ruído e a luminosidade do ambiente afetam o desempenho, que padrões de erro se repetem entre diferentes grupos de estudantes. A proposta dela não é que a tecnologia substitua o julgamento humano, mas que ajude a tornar visível aquilo que já está acontecendo dentro da sala de aula e que, sem uma ferramenta adequada de observação, permanece invisível até para o professor mais atento e dedicado.

Há uma frase que resume, com precisão quase clínica, a posição mais equilibrada disponível hoje neste debate: a tecnologia não deveria nos tornar menos inteligentes, deveria nos ajudar a ser mais inteligentes. É uma distinção sutil, mas decisiva. Uma ferramenta de inteligência artificial que faz o pensamento crítico pelo estudante, entregando respostas prontas sem que ele precise atravessar a própria confusão, a própria dúvida e o próprio esforço de reorganização mental, não está potencializando inteligência – está atrofiando, silenciosamente, a musculatura cognitiva que só se desenvolve através do exercício genuíno de pensar. Já uma ferramenta que revela padrões escondidos no comportamento de aprendizagem de um estudante, e que devolve essa informação a um professor humano capaz de interpretá-la com sensibilidade e agir sobre ela, está fazendo exatamente o oposto: ampliando a capacidade humana de perceber e responder a algo que, de outro modo, passaria despercebido.

A ANSIEDADE QUE A INTELIGÊNCIA ARTIFICIAL REVELA SOBRE NOS MESMOS

Existe uma dimensão psicológica neste debate que raramente recebe a atenção que merece. Boa parte da ansiedade coletiva em torno da inteligência artificial na educação não é, no fundo, sobre a tecnologia em si – é sobre uma pergunta muito mais antiga e muito mais humana: o que nos torna, afinal, insubstituíveis? Professores temem, com razão legítima, que sistemas automatizados desvalorizem décadas de experiência acumulada sobre como cada criança específica aprende. Famílias temem, também com razão, que a padronização estatística da aprendizagem apague justamente aquilo que torna cada estudante singular. E estudantes, principalmente os mais jovens desta geração entre dezoito e quarenta anos que cresceram sob constante avaliação de desempenho, sentem uma ansiedade adicional e específica: a de que, se uma máquina consegue prever seu comportamento de aprendizagem com precisão estatística crescente, talvez sua própria mente seja menos livre, menos original e menos surpreendente do que gostariam de acreditar.

Essa ansiedade merece ser levada a sério, não descartada como resistência tecnofóbica irracional. Ela toca em uma questão central da filosofia da mente e da psicologia contemporânea: até que ponto o comportamento humano é previsível a partir de padrões estatísticos, e até que ponto essa previsibilidade estatística realmente esgota a experiência subjetiva e consciente de quem está aprendendo? A resposta mais honesta, disponível tanto na neurociência quanto na filosofia da consciência, é que a previsibilidade comportamental e a riqueza da experiência subjetiva não são a mesma coisa.

Um algoritmo pode prever, com boa precisão estatística, que tipo de erro um estudante provavelmente cometerá na próxima questão de matemática – e ainda assim não ter acesso algum ao que significa, para aquele estudante específico, a frustração de errar pela quinta vez seguida, ou a alegria repentina de finalmente compreender. A dimensão mais profunda da existência humana – aquilo que a filosofia chama, desde sempre, de experiência vivida em primeira pessoa – permanece, até onde a ciência atual consegue demonstrar, fora do alcance de qualquer sistema puramente estatístico, por mais sofisticado que seja.

Isso não significa que devemos descartar essas ferramentas por serem “meras estatísticas”. Significa, isso sim, que deveríamos usá-las com clareza sobre seus limites: uma inteligência artificial pode nos ajudar a identificar padrões de comportamento de aprendizagem que passariam despercebidos ao olho humano desatento, mas ela não pode – pelo menos não hoje, e talvez nunca – substituir o ato genuinamente humano de interpretar o sentido dessa informação à luz da história pessoal, das emoções e do contexto social de cada estudante. Essa interpretação continua sendo, e provavelmente continuará sendo por muito tempo, um trabalho exclusivamente humano.

O QUE ISSO SIGNIFICA PARA QUEM PENSA, ENSINA E APRENDE HOJE

Se há mais de um século pensadores da educação já discutiam a diferença entre uma escola que forma cidadãos capazes de pensamento independente e uma escola que apenas transmite conteúdo de cima para baixo, a chegada da inteligência artificial não cria um problema novo – ela intensifica, com urgência renovada, um problema antigo. A pergunta nunca foi apenas “que conteúdo estamos ensinando”, mas “que tipo de mente estamos formando” através do processo pelo qual ensinamos. Uma inteligência artificial que devolve ao estudante, de forma instantânea, a resposta que ele buscava, sem exigir dele o desconforto produtivo de não saber, de tentar e de errar, corre o risco de produzir exatamente o tipo de aprendizado superficial que qualquer boa teoria psicológica da cognição já identificou como frágil e pouco duradouro.

Já uma inteligência artificial usada para revelar ao professor, com mais precisão do que ele conseguiria sozinho, onde exatamente um grupo de estudantes está travado, e por quê, pode fortalecer precisamente o tipo de intervenção pedagógica cuidadosa e personalizada que sempre foi, no fundo, o ideal mais alto de qualquer boa educação.

Para quem hoje transita entre trabalho, formação continuada e vida pessoal, essa reflexão vai além da sala de aula escolar. A mesma pergunta – a tecnologia está ampliando minha inteligência ou substituindo meu esforço de pensar – vale para qualquer ferramenta digital que promete facilitar nosso raciocínio, desde assistentes de escrita até sistemas de recomendação que decidem, silenciosamente, o que lemos, assistimos e até em que acreditamos.

A ansiedade que sentimos diante da inteligência artificial na educação é, na verdade, um ensaio antecipado de uma pergunta que toda essa geração precisará responder repetidamente ao longo da vida adulta: que tipo de relação queremos ter com sistemas capazes de prever e moldar nosso comportamento com uma precisão crescente, e o que estamos dispostos a ceder, ou a preservar, em nome da comodidade que eles oferecem.

A resposta mais sensata não está no rechaço nem na rendição incondicional. Está, como sugere a própria pesquisa mais séria sobre o tema, em desenvolver um tipo específico de discernimento crítico – saber perguntar como um sistema funciona, quais dados usa, que suposições carrega, e recusar-se a aceitá-lo simplesmente porque promete resultados impressionantes. É esse mesmo tipo de discernimento, aliás, que a boa filosofia sempre tentou cultivar: a capacidade de não aceitar afirmações apenas pela autoridade de quem as profere, mas de exigir que elas se justifiquem diante do exame cuidadoso da razão.

CONCLUSÃO: A INTELIGÊNCIA QUE IMPORTA CONTINUA SENDO A NOSSA

A inteligência artificial na educação não vai desaparecer, e fingir que ela é uma moda passageira seria tão ingênuo quanto tratá-la como uma revolução inevitável diante da qual nada podemos fazer além de nos adaptar passivamente. O caminho mais maduro, tanto do ponto de vista pedagógico quanto do ponto de vista filosófico, é tratar essas ferramentas exatamente pelo que são: instrumentos poderosos de observação e personalização, capazes de revelar padrões que o olho humano sozinho dificilmente perceberia, mas categoricamente incapazes de substituir o julgamento ético, a sensibilidade afetiva e a compreensão consciente que continuam sendo, até prova em contrário, exclusividades da mente humana.

Talvez a lição mais importante que este debate deixa para quem pensa sobre educação, sociedade e comportamento humano seja esta: quanto mais sofisticadas as máquinas se tornam em imitar aspectos da nossa cognição, mais urgente se torna a tarefa de entender, com clareza filosófica e psicológica, o que exatamente distingue pensar de calcular, compreender de prever, e educar de simplesmente processar informação. Essa distinção não vai ser resolvida por nenhum algoritmo, por mais avançado que seja. Ela exige, ainda e sempre, aquilo que nenhuma máquina consegue produzir sozinha: reflexão filosófica genuína sobre o que significa ser uma mente consciente tentando ajudar outra mente consciente a crescer.

O QUE ESTE ARTIGO REALMENTE QUER TE DIZER?

A ideia central

Se você tirar todos os termos técnicos deste texto e ficar só com o essencial, a mensagem é esta: uma máquina pode aprender a prever o seu comportamento com uma precisão cada vez maior, mas prever o que você vai fazer não é o mesmo que entender o que você sente, pensa ou vive por dentro enquanto aprende. A inteligência artificial que hoje ajusta exercícios de matemática para uma criança na Índia, ou que decide em qual escola um adolescente de Nova York vai estudar, não tem a menor ideia do que significa a frustração de errar pela quinta vez seguida, nem da alegria de finalmente entender algo que parecia impossível. Ela apenas identifica padrões estatísticos em uma pilha gigantesca de dados e ajusta seu próprio comportamento para reduzir erros futuros. Isso é impressionante do ponto de vista técnico, mas é uma coisa fundamentalmente diferente de aprender, no sentido humano e consciente da palavra.

E é exatamente aí que mora o verdadeiro risco, que não tem nada a ver com robôs tomando o lugar de professores num filme de ficção científica. O risco real é mais silencioso: é a possibilidade de irmos, aos poucos, confundindo eficiência com compreensão, e delegando a sistemas automáticos decisões que exigem julgamento humano, sensibilidade e responsabilidade ética – sem perceber que, ao fazer isso, estamos deixando de exercitar exatamente a capacidade que nos torna capazes de ensinar, de aprender e de conviver uns com os outros de forma minimamente justa. A tecnologia, usada com discernimento, pode ampliar o que fazemos de mais humano na educação. Usada sem esse discernimento, ela pode, sem que ninguém tenha essa intenção, empobrecer justamente aquilo que deveria fortalecer.

Por que isso importa na vida real?

Pense em um aplicativo de idiomas que você usa no celular, ajustando automaticamente as frases e exercícios de acordo com seus erros anteriores. Ele parece estar “entendendo” você cada vez melhor, e em certo sentido está: sabe que palavras você erra mais, em que horário você costuma praticar, quanto tempo demora até você desistir de um exercício difícil. Mas ele não sabe por que você está aprendendo aquele idioma – se é por um sonho antigo de morar fora, por exigência do trabalho ou por pura curiosidade – e não é capaz de perceber quando o motivo real do seu tropeço não é a gramática, mas o cansaço acumulado de uma semana difícil. Um professor humano, ainda que menos preciso estatisticamente, percebe esse tipo de coisa com um olhar, um tom de voz, uma pergunta feita na hora certa. É esse tipo de percepção – contextual, afetiva, ética – que nenhum algoritmo replica hoje, e é justamente ela que precisa continuar no centro de qualquer sala de aula, mesmo quando a tecnologia entra para ajudar.

Uma analogia memorável

Pense na inteligência artificial na educação como um espelho retrovisor extremamente potente, capaz de mostrar com riqueza de detalhes tudo o que já aconteceu: todos os erros, todos os acertos, todos os padrões de comportamento de milhões de estudantes antes de você. É uma ferramenta valiosíssima para dirigir com mais segurança. Mas nenhum espelho retrovisor, por mais nítido que seja, consegue dirigir o carro sozinho, decidir para onde a viagem deveria ir, ou sentir o que significa chegar ao destino. Isso continua sendo, e vai continuar sendo por muito tempo, trabalho de quem está com as mãos no volante – o professor, o estudante, a pessoa consciente tentando entender e ser entendida. É essa a frase que resume tudo: a IA mostra o caminho já percorrido com uma clareza impressionante, mas só uma mente humana consegue decidir, com sentido e responsabilidade, para onde ir a partir dali.

GLOSSÁRIO PARA INICIANTES

Inteligência artificial
Conjunto de tecnologias que permite a um computador realizar tarefas que, até pouco tempo atrás, só um ser humano conseguia fazer, como reconhecer um rosto em uma foto ou sugerir a próxima música que você provavelmente vai gostar. Exemplo cotidiano: quando o aplicativo de streaming acerta o filme que você queria assistir antes mesmo de você procurar, é inteligência artificial funcionando nos bastidores.

Algoritmo
Uma sequência organizada de instruções que o computador segue, passo a passo, para chegar a um resultado específico. Não tem nada de misterioso: é parecido com uma receita de bolo, só que executada em velocidade e escala muito maiores. Exemplo cotidiano: o aplicativo de rotas do celular usa um algoritmo para comparar centenas de caminhos possíveis e escolher o mais rápido até o seu destino.

Aprendizado de maquina
Uma forma específica de inteligência artificial em que o sistema melhora seu próprio desempenho a partir da análise de grandes quantidades de dados, em vez de seguir apenas regras fixas escritas por um programador. Exemplo cotidiano: um filtro de spam que aprende, com o tempo, a reconhecer novos tipos de e-mail indesejado sem que ninguém precise reprogramá-lo manualmente a cada golpe novo.

Sistema tutor inteligente
Programa de computador desenhado para se comportar, até certo ponto, como um professor particular digital, ajustando o conteúdo e o ritmo de acordo com o desempenho de cada estudante. Exemplo cotidiano: um aplicativo de matemática que passa a oferecer exercícios mais fáceis assim que percebe que você errou os três últimos, sem que você precise pedir isso.

Personalização da aprendizagem
A ideia de ajustar o conteúdo, o ritmo e o formato do ensino às necessidades específicas de cada estudante, em vez de oferecer exatamente o mesmo material, na mesma velocidade, para uma turma inteira. Exemplo cotidiano: é a diferença entre uma aula gravada igual para todo mundo e um vídeo que pula direto para a parte que você ainda não entendeu.

Viés algorítmico
Quando um sistema de inteligência artificial reproduz, sem intenção, preconceitos ou desigualdades que já existiam nos dados usados para treiná-lo, prejudicando sistematicamente certos grupos de pessoas. Exemplo cotidiano: um sistema de seleção de currículos que passa a rejeitar automaticamente candidatos de determinado bairro ou escola, só porque poucas pessoas desses lugares foram contratadas no passado.

Caixa-preta
Expressão usada para descrever um sistema cujo funcionamento interno é tão complexo que nem seus próprios criadores conseguem explicar, com clareza total, por que ele chegou a determinado resultado. Exemplo cotidiano: quando um aplicativo de crédito nega um empréstimo e nem o próprio banco consegue explicar exatamente qual fator pesou mais nessa decisão.

Letramento algorítmico
A capacidade de compreender, ainda que de forma básica, como um sistema de inteligência artificial funciona, que dados ele usa e que limitações ele carrega – permitindo usá-lo de forma crítica em vez de aceitá-lo cegamente. Exemplo cotidiano: saber que o feed de notícias das redes sociais não mostra “tudo o que está acontecendo no mundo”, mas apenas aquilo que o algoritmo calcula que vai prender sua atenção por mais tempo.

Triângulo de ouro
Conceito da pesquisadora Rose Luckin que defende a integração entre três grupos essenciais para que a tecnologia educacional funcione bem: educadores, que conhecem a sala de aula de dentro; programadores, que constroem as ferramentas; e pesquisadores, que fazem a ponte entre os dois mundos. Exemplo cotidiano: é como construir uma casa que precisa, ao mesmo tempo, do conhecimento de quem vai morar nela, de quem sabe erguer a estrutura e de quem entende de engenharia para garantir que tudo se sustente.

Experiência subjetiva
Aquilo que só existe do ponto de vista de quem está vivendo algo por dentro – a sensação real de frustração, alívio ou alegria que acompanha o processo de aprender, e que nenhum dado externo consegue capturar por completo. Exemplo cotidiano: um termômetro pode medir que sua temperatura subiu, mas só você sabe, por dentro, como é realmente a sensação de estar com febre.

Automação
O processo de fazer com que tarefas antes realizadas manualmente por uma pessoa passem a ser executadas automaticamente por uma máquina ou sistema. Exemplo cotidiano: corrigir provas de múltipla escolha automaticamente, em vez de um professor precisar conferir cada resposta uma por uma.