Resumo
O CBL — Competency-Based Learning — foi uma solução de aprendizagem adaptativa criada na Cruzeiro do Sul Virtual para apoiar estudantes do ensino superior com diferentes níveis de domínio em Matemática e Língua Portuguesa.
O produto identificava competências já desenvolvidas e lacunas de aprendizagem de cada estudante. A partir desses dados, recomendava uma trilha personalizada, composta por conteúdos, atividades e avaliações adequadas às necessidades individuais.
Meu cargo formal era Designer Instrucional, mas fui responsável pela liderança integral do projeto. Conduzi o CBL desde o planejamento até a implementação, incluindo a definição da experiência, o desenho das trilhas, a organização dos conteúdos, a escolha das ferramentas e tecnologias, a liderança do time, o acompanhamento das métricas e a evolução do produto.
O projeto começou como um MVP desenvolvido com poucos recursos. Após demonstrar sua viabilidade, recebeu investimento institucional, foi profissionalizado e disponibilizado para aproximadamente 500 mil estudantes dos cursos de graduação das instituições da Cruzeiro do Sul Educacional.
O CSAT registrado foi de 4,5.
Contexto e desafio
Os estudantes ingressavam no ensino superior com diferentes níveis de conhecimento em Matemática e Língua Portuguesa.
Essas diferenças afetavam a capacidade de acompanhar disciplinas mais complexas da graduação. Enquanto alguns estudantes já dominavam determinadas competências, outros apresentavam lacunas que dificultavam sua evolução acadêmica.
O modelo tradicional de nivelamento oferecia praticamente o mesmo percurso para todos. Ele não considerava o conhecimento já adquirido, as dificuldades individuais ou o ritmo de aprendizagem de cada estudante.
O desafio era criar uma experiência capaz de identificar essas diferenças e oferecer percursos personalizados, mantendo a capacidade de atender um grande volume de alunos.
A solução precisava responder a quatro desafios principais:
- identificar as competências já dominadas por cada estudante;
- localizar lacunas específicas de aprendizagem;
- recomendar conteúdos e atividades de acordo com o desempenho;
- oferecer personalização sem comprometer a escala da operação.
Além do desafio educacional, o projeto começou com limitações importantes de orçamento, tecnologia e estrutura de equipe.
Não havia verba disponível para contratar professores especialistas, adquirir uma ferramenta de autoria ou desenvolver uma plataforma proprietária. O time também era pequeno e não possuía internamente todos os conhecimentos técnicos necessários para construir a solução.
Era necessário validar a proposta de aprendizagem adaptativa utilizando os recursos disponíveis naquele momento.
Minha atuação
Recebi autonomia para definir e implementar a estratégia de aprendizagem adaptativa.
Liderei o projeto completo, conectando as necessidades dos estudantes aos objetivos institucionais, às possibilidades tecnológicas e à operação acadêmica.
Entre minhas principais responsabilidades estavam:
- planejamento e direcionamento do produto;
- definição da proposta de aprendizagem adaptativa;
- desenho da experiência dos estudantes;
- estruturação das trilhas de Matemática e Língua Portuguesa;
- definição das competências e regras de progressão;
- organização dos conteúdos e bancos de questões;
- escolha das ferramentas e tecnologias;
- acompanhamento do cronograma e das entregas;
- priorização das atividades do time;
- liderança de uma equipe de aproximadamente 7 pessoas;
- acompanhamento das métricas e dos feedbacks;
- validação do MVP;
- evolução e expansão institucional do produto;
- treinamento e implementação do chatbot integrado ao ambiente virtual.
Embora meu cargo fosse Designer Instrucional, minha atuação reunia responsabilidades de estratégia, discovery, experiência, tecnologia, operação e liderança de produto.
A estrutura enxuta também exigia articulação com produção de conteúdos, desenvolvimento, professores especialistas, tutoria, operação acadêmica e gestão institucional.
Estratégia e decisões
Hipótese do produto
Partimos da hipótese de que uma experiência adaptativa poderia melhorar o processo de aprendizagem ao utilizar o desempenho de cada estudante para definir seu percurso.
Em vez de obrigar todos os alunos a consumir os mesmos conteúdos, o produto deveria:
- reconhecer competências já desenvolvidas;
- identificar dificuldades específicas;
- recomendar apenas os conteúdos necessários;
- oferecer novas oportunidades de aprendizagem quando o estudante apresentasse dificuldades;
- permitir que cada pessoa avançasse de acordo com seu desempenho.
A proposta não era tentar igualar o conhecimento de todos os estudantes, mas oferecer condições para que cada um desenvolvesse as competências necessárias para acompanhar sua graduação.
Começar com um MVP de baixo investimento
O projeto começou sem orçamento para aquisição de ferramentas ou contratação de profissionais especializados.
Para viabilizar o MVP, buscamos uma solução open source que permitisse desenvolver os primeiros objetos de aprendizagem. A ferramenta escolhida foi o Adapt Learning.
A escolha reduzia o investimento inicial, mas trouxe desafios técnicos. A implementação exigia conhecimentos em Node.js e uma capacidade técnica que o time não possuía internamente.
Foi necessário contratar um profissional terceirizado para prestar consultoria e iniciar a construção da solução.
A ausência de orçamento também afetava a produção de conteúdo. Não havia verba para contratar professores especialistas em Matemática e Língua Portuguesa ou produzir videoaulas.
Para viabilizar a primeira versão, o próprio time estruturou os bancos de questões e os conteúdos iniciais, formados principalmente por materiais em texto.
O objetivo não era construir imediatamente a versão definitiva, mas validar:
- funcionamento das trilhas adaptativas;
- capacidade de identificar lacunas;
- regras de recomendação;
- participação dos estudantes;
- aceitação da proposta;
- viabilidade de utilização em maior escala.
Como funcionava a experiência adaptativa
Foram criadas duas experiências principais:
- CBL-MAT, voltada às competências básicas de Matemática;
- CBL-LPO, voltada às competências básicas de Língua Portuguesa.
O estudante iniciava sua jornada por meio de uma avaliação diagnóstica.
A partir do resultado, o sistema identificava quais competências já estavam desenvolvidas e quais precisavam ser trabalhadas. Com base nessas informações, o estudante recebia uma trilha personalizada.
Os percursos podiam incluir conteúdos explicativos, objetos de aprendizagem, questões, desafios, atividades avaliativas, materiais de revisão, novos testes de conhecimento e feedbacks de acordo com o desempenho.
O avanço não dependia apenas da conclusão dos conteúdos. As recomendações eram alteradas conforme os resultados obtidos pelo estudante.
Dessa forma, duas pessoas matriculadas no mesmo curso poderiam receber percursos diferentes.
Tecnologia e decisões de implementação
A construção do CBL combinou recursos do Blackboard, desenvolvimento web, ferramentas de autoria e automação de atendimento.
Entre as principais tecnologias estavam:
- Blackboard, como ambiente virtual;
- Adaptive Release, para liberar conteúdos de acordo com o desempenho;
- Goals, para relacionar atividades a competências;
- Achievements, para gamificação;
- Learn Analytics, para acompanhamento da jornada;
- Adapt Learning, utilizado no MVP;
- Node.js, utilizado na primeira implementação;
- Articulate 360 / Rise, adotado posteriormente;
- Blip, utilizado na evolução com chatbot.
As regras de adaptação foram implementadas dentro do Blackboard, combinando os recursos nativos da plataforma com os objetos de aprendizagem criados pelo time.
Isso permitiu oferecer diferentes percursos sem precisar desenvolver uma plataforma proprietária de aprendizagem adaptativa.
Trade-offs
As decisões iniciais equilibravam custo, velocidade, qualidade e capacidade de escala.
A ferramenta open source permitiu começar sem grande investimento, mas aumentou a complexidade técnica e a dependência externa.
A produção de conteúdos pelo próprio time tornou o MVP possível, mas consumiu horas de profissionais que não eram especialistas naquelas áreas.
Mais tarde, a migração para o Rise exigiu retrabalho, mas trouxe velocidade, autonomia e facilidade de manutenção.
Começar com um escopo reduzido foi importante para validar a proposta. Ao mesmo tempo, a ausência de investimento mínimo em tecnologia e conteúdo aumentou o custo real da primeira fase.
Execução e evolução do produto
Acompanhamento dos dados e validação do MVP
O acompanhamento era realizado por meio do Learn Analytics, que permitia analisar:
- acesso aos conteúdos;
- participação;
- progressão pelas trilhas;
- desempenho;
- conclusão;
- retenção;
- pontos de abandono;
- utilização dos objetos de aprendizagem.
Essas informações eram combinadas com feedbacks dos estudantes, dúvidas da tutoria e, posteriormente, interações com o chatbot.
O MVP foi inicialmente testado com um grupo menor de estudantes. Os dados e feedbacks foram utilizados para corrigir problemas, reorganizar conteúdos e aprimorar o produto.
A validação demonstrou que a proposta era viável e que existia valor em oferecer percursos diferentes conforme as necessidades dos estudantes.
Os resultados também foram utilizados para defender a continuidade do projeto e conquistar investimento institucional.
Da dependência técnica à autonomia do time
O Adapt Learning foi importante para validar o MVP, mas exigia conhecimentos de Node.js e apoio de um profissional externo.
Conforme o produto começou a crescer, essa dependência passou a limitar correções, melhorias e criação de novos objetos.
Para aumentar a autonomia do time, decidimos migrar a produção para o Articulate 360, principalmente o Rise.
Os conteúdos inicialmente desenvolvidos no Adapt Learning foram reconstruídos.
A migração permitiu:
- reduzir a dependência de desenvolvimento;
- aumentar a autonomia;
- acelerar a produção;
- facilitar correções e atualizações;
- reutilizar estruturas;
- capacitar mais pessoas;
- preparar a operação para maior escala.
A decisão reforçou um aprendizado importante: a tecnologia utilizada para validar um MVP não precisa ser a mesma que sustentará sua evolução.
Profissionalização e expansão
Após a validação, o projeto recebeu investimento institucional.
Foram contratados professores especialistas para produzir e revisar os conteúdos de Matemática e Língua Portuguesa, que passaram a incluir também videoaulas.
A nova estrutura permitiu melhorar a qualidade acadêmica, aprofundar os conteúdos, revisar os bancos de questões e oferecer diferentes formatos de aprendizagem.
O modelo também começou a ser utilizado em outros contextos, como a disciplina de Temas Transversais.
Nesse processo, o CBL deixou de ser uma iniciativa experimental e passou a funcionar como uma solução institucional, disponibilizada para aproximadamente 500 mil estudantes dos cursos de graduação das instituições da Cruzeiro do Sul Educacional.
Evolução com chatbot
Em 2019, o CBL recebeu uma nova camada de suporte com a implementação de um chatbot integrado ao ambiente virtual.
Utilizamos o Blip para construir, treinar e operar a solução.
Fui responsável pelo treinamento e pela implementação. A base de conhecimento foi estruturada a partir das dúvidas recorrentes dos estudantes e dos históricos de atendimento da tutoria.
O chatbot respondia questões relacionadas a acesso, atividades, avaliações, notas, certificados, prazos e navegação.
Além de oferecer respostas mais rápidas, tornou-se uma nova fonte de dados sobre a experiência. As dúvidas registradas ajudavam a identificar pontos de confusão, dificuldades de navegação e oportunidades de melhoria.
Essa evolução adicionou uma camada de atendimento automatizado à experiência adaptativa.
Resultados e impacto
Entre os principais resultados do CBL estão:
- criação de experiências adaptativas para Matemática e Língua Portuguesa;
- validação da proposta por meio de um MVP;
- transformação de um projeto experimental em uma solução institucional;
- disponibilização para aproximadamente 500 mil estudantes;
- CSAT de 4,5;
- criação de trilhas personalizadas com base no desempenho;
- integração de centenas de objetos de aprendizagem;
- utilização dos recursos do Blackboard para estruturar regras adaptativas;
- acompanhamento de acesso, retenção e progressão por meio do Learn Analytics;
- migração de uma solução dependente de Node.js para ferramentas no-code/low-code;
- contratação de professores especialistas após a validação;
- ampliação dos conteúdos para textos e videoaulas;
- aplicação do modelo em outros contextos educacionais;
- implementação de um chatbot com Blip;
- aumento da autonomia do time na produção e manutenção dos conteúdos.
Os dados de escala e CSAT são indicadores internos da operação da Cruzeiro do Sul Educacional.
Principal aprendizado
O maior aprendizado do projeto foi compreender que reduzir o investimento inicial nem sempre reduz o custo real do produto.
No começo, a ausência de orçamento levou o time a buscar alternativas aparentemente mais econômicas: ferramenta open source, contratação pontual de um profissional externo, produção de conteúdos pelo próprio time e uma primeira versão predominantemente textual.
Essas escolhas tornaram possível iniciar o projeto, mas criaram custos menos visíveis.
Uma parte significativa do tempo foi utilizada para aprender tecnologia, produzir conteúdos fora da especialidade do time, acompanhar desenvolvimento externo e contornar limitações da ferramenta.
Posteriormente, ainda foi necessário migrar os materiais, refazer parte da produção e contratar especialistas.
Na prática, horas do time, dependência técnica, retrabalho e atraso na evolução tornaram a primeira etapa mais cara do que teria sido um investimento antecipado em uma ferramenta adequada e profissionais especializados.
O projeto mostrou a importância de avaliar o custo total da solução, considerando não apenas preço, mas também:
- tempo de implementação;
- horas do time;
- curva de aprendizagem;
- autonomia operacional;
- manutenção;
- capacidade de atualização;
- dependência de fornecedores;
- conhecimento especializado;
- custo de oportunidade;
- retrabalho;
- preparação para escala.
Se o projeto fosse iniciado novamente, eu defenderia desde o começo um investimento mínimo em uma ferramenta adequada e na participação de especialistas.
O MVP ainda poderia ter escopo reduzido, mas seria construído sobre uma estrutura mais sustentável e preparada para evoluir.
Aprendizados adicionais
O MVP precisa validar a hipótese sem comprometer a evolução. Começar pequeno foi importante, mas a tecnologia escolhida criou limitações que precisaram ser resolvidas posteriormente.
Personalização não depende apenas de tecnologia. A qualidade da aprendizagem adaptativa estava diretamente relacionada à estruturação das competências, avaliações, conteúdos e regras de progressão.
Dados de atendimento também são dados de produto. As dúvidas registradas pela tutoria e pelo chatbot ajudaram a identificar dificuldades e orientar melhorias.
Autonomia influencia velocidade. A dependência de desenvolvimento externo dificultava ajustes e experimentos. A migração aumentou a autonomia do time.
Resultados ajudam a conquistar investimento. A validação do MVP foi essencial para demonstrar valor e conseguir orçamento institucional.
Competências demonstradas
Product Strategy · Product Discovery · MVP · Adaptive Learning · Product Experience · Prioritization · Leadership · Learning Analytics · Technology Strategy · No-code/Low-code · Product Operations · Automation · Chatbots · Stakeholder Management · Scalability
O CBL representa um dos projetos mais completos da minha trajetória por reunir estratégia educacional, experiência, tecnologia, operação, validação, liderança e escala.
Mais do que implementar uma solução de aprendizagem adaptativa, o projeto exigiu transformar uma hipótese em MVP, demonstrar valor, conquistar investimento, rever decisões tecnológicas e preparar o produto para atender centenas de milhares de estudantes.