Sistemas de recomendação na formação intercultural: desafios e caminhos para a etnoeducação na América Latina*
Janderson Jason Barbosa Aguiar
Universidade Estadual da Paraíba (UEPB), Campina Grande (Brasil)
https://orcid.org/0000-0002-6439-4374
Recepção: 31 de janeiro de 2025 | Aceitação: 21 de março de 2025 | Publicação: 31 de maio de 20255
DOI: http://doi.org/10.18175/VyS16.2.2025.7
Resumo
Os sistemas de recomendação baseados em inteligência artificial (IA) têm um potencial transformador nas experiências educacionais, ao sugerir conteúdos personalizados às realidades dos usuários. No entanto, vieses culturais nesses sistemas podem comprometer sua efetividade na promoção de uma educação inclusiva e intercultural. Este artigo analisa criticamente o impacto dos sistemas de recomendação na etnoeducação universitária na América Latina, considerando tanto seu potencial de valorização da diversidade cultural quanto os desafios éticos e técnicos associados à reprodução de desigualdades. Argumenta-se que a adoção dessas tecnologias na formação de professores depende da implementação de princípios éticos e estratégias que assegurem a representatividade das comunidades étnicas e linguísticas. Para isso, propõem-se diretrizes para o desenvolvimento de sistemas de recomendação culturalmente responsivos, incluindo a incorporação de bases de dados multiculturais, o envolvimento das comunidades no design das ferramentas e a implementação de mecanismos para mitigar vieses algorítmicos. Conclui-se que a interseção entre IA e etnoeducação pode contribuir para a formulação de políticas públicas mais equitativas. Este estudo contribui para o debate sobre a implementação de tecnologias educacionais baseadas em IA que respeitem e promovam a justiça social e a pluralidade cultural.
Palavras-chave:
etnoeducação, formação intercultural de professores, IA educacional, sistemas de recomendação, vieses culturais.
Sistemas de recomendación en educación intercultural: desafíos y caminos para la etnoeducación en América Latina
Resumen
Los sistemas de recomendación basados en inteligencia artificial (IA) tienen el potencial de transformar las experiencias educativas al sugerir contenidos personalizados según las realidades de los usuarios. Sin embargo, los sesgos culturales en estos sistemas pueden comprometer su eficacia en la promoción de una educación más inclusiva e intercultural. Este artículo analiza críticamente el impacto de los sistemas de recomendación en la etnoeducación universitaria en América Latina, considerando tanto su potencial para fortalecer la diversidad cultural como los desafíos éticos y técnicos asociados a la reproducción de desigualdades. Se argumenta que la adopción de estas tecnologías en la formación docente depende de la implementación de principios éticos y estrategias que aseguren la representación de las comunidades étnicas y lingüísticas. Con este fin, se proponen directrices para el desarrollo de sistemas de recomendación culturalmente responsivos, incluyendo la integración de bases de datos multiculturales, el involucramiento de las comunidades en el diseño de herramientas y la aplicación de mecanismos para mitigar los sesgos algorítmicos. Se concluye que la convergencia entre IA y etnoeducación puede contribuir al diseño de políticas públicas más equitativas. Este estudio contribuye al debate sobre la implementación de tecnologías educativas basadas en IA que respeten y promuevan la justicia social y la pluralidad cultural.
Palabras clave
etnoeducación, formación docente intercultural, IA educativa, sesgos culturales, sistemas de recomendación.
Recommender Systems in Intercultural Education: Challenges and Paths for Ethnoeducation in Latin America
Abstract
Recommender systems based on Artificial Intelligence (AI) can potentially transform educational experiences by suggesting content tailored to users’ realities. However, cultural biases in these systems can compromise their effectiveness in promoting inclusive and intercultural education. This article critically analyzes the impact of recommender systems on university ethnoeducation in Latin America, considering both their potential to enhance cultural diversity and the ethical and technical challenges associated with the reproduction of inequalities. We argued that adopting these technologies in teacher training depends on implementing ethical principles and strategies that ensure the representation of ethnic and linguistic communities. To this end, we proposed guidelines for developing culturally responsive recommender systems, including the incorporation of multicultural databases, the involvement of communities in the design of tools, and implementing mechanisms to mitigate algorithmic biases. We concluded that the intersection between AI and ethnoeducation can contribute to formulating more equitable public policies. This study contributes to the debate on implementing AI-based educational technologies that respect and promote social justice and cultural plurality.
Keywords
cultural biases, educational AI, ethnoeducation, intercultural teacher training, recommender systems.
Introdução
A etnoeducação é uma abordagem educacional que valoriza e integra os saberes, práticas e culturas de comunidades étnicas específicas, respeitando suas línguas, tradições e cosmovisões. Além disso, considera as realidades econômicas, ambientais, históricas e políticas dessas comunidades, buscando superar modelos universalistas e oferecer respostas inclusivas às aspirações de bem-estar e progresso social (Moraes e Souza, 2022; Páez Cantillo, 2023). No contexto latino-americano, a diversidade cultural é um pilar essencial das identidades nacionais, e a formação intercultural de professores desempenha um papel central na garantia de uma educação que reconheça e fortaleça essa pluralidade (Caicedo Ortiz e Castillo Guzmán, 2021b; Sato e Gómez-Pellón, 2023).
As políticas educacionais têm avançado no sentido de reconhecer a pluralidade cultural, mas a crescente incorporação de tecnologias digitais, especialmente a Inteligência Artificial (IA), adiciona novos desafios a esse cenário (Costa Júnior et al., 2024; Lampou, 2023). Em particular, os sistemas de recomendação baseados em IA, amplamente utilizados para personalizar experiências em setores como entretenimento e comércio eletrônico, vêm demonstrando relevante potencial no ensino e na aprendizagem (Da silva et al., 2023; Ibrahim et al., 2025). No entanto, essas ferramentas podem tanto enriquecer os processos formativos quanto reforçar estereótipos e desigualdades estruturais, caso os vieses culturais embutidos em seus algoritmos não sejam identificados e mitigados (Gupta et al., 2022; Maghsudi et al., 2021).
Diante desse contexto, o objetivo deste artigo é refletir sobre como sistemas de recomendação podem contribuir para a etnoeducação universitária na América Latina. A tese central sustenta que sua aplicação na formação intercultural de professores deve ser cuidadosamente planejada para evitar a reprodução de desigualdades. Para isso, é fundamental que esses sistemas sejam orientados por diretrizes éticas e técnicas que valorizem as especificidades culturais e linguísticas das comunidades latino-americanas, assegurando que a IA educacional funcione como um instrumento de inclusão.
Embora haja amplo debate sobre formação docente na América Latina, a interseção entre etnoeducação e IA ainda é pouco explorada. Este artigo busca preencher essa lacuna ao discutir como os sistemas de recomendação podem ser projetados para apoiar a diversidade cultural, ao mesmo tempo que problematiza os desafios relacionados aos vieses algorítmicos. Para isso, além desta primeira seção introdutória, o texto é composto por três seções principais: na segunda seção, explora-se o potencial dos sistemas de recomendação na formação intercultural de professores; na terceira seção, analisam-se os desafios éticos e técnicos associados aos vieses culturais na IA educacional; na quarta, propõem-se diretrizes para o desenvolvimento de sistemas culturalmente responsivos. Ao concluir, são apresentadas as considerações finais.
Sistemas de recomendação e formação intercultural de professores
Nas últimas décadas, alguns países têm implementado iniciativas de formação intercultural de professores, para atender às demandas de comunidades indígenas, afrodescendentes e outras populações que reivindicam uma educação inclusiva. Segundo Caicedo Ortiz e Castillo Guzmán (2021b), em países como Brasil e Colômbia há leis que promovem modelos educativos com pertinência étnica e cultural. Tais autores mencionam que, em cidades colombianas, como Bogotá, Cartagena e Medellín, têm sido desenvolvidas políticas públicas que fomentam a inclusão de grupos étnicos no sistema educacional. Essas ações são passos importantes para construir um sistema educacional que respeite a diversidade cultural e prepare professores para atuar de maneira sensível em contextos multiculturais.
A pluralidade da população colombiana, conforme Páez Cantillo (2023), tem historicamente demandado o estabelecimento de processos e estratégias educativas que permitam a expressão dos diferentes setores sociais, étnicos e culturais. Esforços assim estão alinhados aos objetivos da etnoeducação, como a construção de uma cultura de equidade e convivência pacífica. Contudo, a formação docente intercultural enfrenta desafios, como o acesso de recursos pedagógicos contextualizados.
Nesse cenário, os sistemas baseados em IA podem oferecer soluções para promover a valorização da diversidade cultural e linguística nos processos educativos. Os sistemas de recomendação surgiram como ferramentas para o acesso direcionado a conteúdos específicos, oferecendo personalização em diferentes áreas, com grande potencial para enriquecer o campo educacional (Aguiar, et al., 2022; Ricci et al., 2022). Ao aplicá-los à formação de professores, sobretudo no contexto da América Latina, esses sistemas podem contribuir para integrar elementos culturais e linguísticos diversificados nos currículos universitários, alinhando-se às necessidades da etnoeducação.
As tecnologias são essenciais para a comunicação e a vida cotidiana, e os professores desempenham um papel importante na promoção da inclusão social e digital. Para isso, é imprescindível que eles desenvolvam competências digitais que lhes permitam utilizar e dominar ferramentas tecnológicas eficazmente, contribuindo para melhorar a qualidade de vida e as experiências educacionais dos alunos (Fernández-Cerero et al., 2023).
O potencial dos sistemas de recomendação
Os sistemas de recomendação utilizam tecnologias de IA, como aprendizado de máquina, para melhorar a qualidade das decisões tomadas pelos usuários. Entre as principais abordagens destacam-se a Filtragem Colaborativa (FC), que simula recomendações baseadas em “boca a boca”, ao considerar as preferências de “pessoas mais próximas” como relevantes, e a Filtragem Baseada em Conteúdo (FBC), que analisa preferências antecedentes de um usuário para sugerir itens futuros. Convém destacar também os sistemas de recomendação híbridos, que combinam as vantagens de diferentes abordagens. Por exemplo, a integração de FC e FBC possibilita contornar a limitação da FC em contextos de ausência de dados iniciais, aproveitando as características do conteúdo analisadas pela FBC para gerar recomendações personalizadas (Felfernig et al., 2023; Ibrahim et al., 2025).
Nesse sentido, um sistema híbrido pode identificar conteúdos validados por comunidades de professores enfrentando desafios semelhantes, utilizando a FC para recomendar vídeos ou materiais amplamente aceitos entre seus pares. Paralelamente, a FBC pode analisar o histórico do usuário, como seu interesse em mediação cultural ou educação bilíngue, para refinar as sugestões. Essa combinação permite ampliar as possibilidades de personalização, beneficiando até mesmo professores com pouca interação inicial no sistema (ainda sem “pessoas mais próximas” identificadas).
Dada a rica herança cultural da América Latina, que abrange música, cinema, literatura e tradições únicas de cada país, os sistemas de recomendação têm o potencial de ampliar a visibilidade e o acesso a conteúdos culturais regionais, superando barreiras que frequentemente limitam sua disseminação e promovendo um futuro mais inclusivo e conectado. Uma vez que essas ferramentas personalizadas podem ser aplicadas em plataformas de educação online, como MOOCs (Cursos Online Massivos e Abertos), os estudantes podem ser direcionados a cursos e recursos de estudo alinhados aos seus interesses e metas educacionais (Aguiar, 2023b). Embora inglês, chinês e espanhol sejam os principais idiomas ensinados no contexto da competência intercultural em MOOCs, de acordo com Rai et al. (2023), há necessidade de ampliar a diversidade linguística e cultural nessas plataformas, promovendo o acesso a sistemas de conhecimento mais inclusivos para públicos globais.
Considerando-se que a formação intercultural de professores na América Latina tem se consolidado para atender às demandas educativas de comunidades que, historicamente, foram marginalizadas, os sistemas de recomendação possibilitam, então, enriquecer os processos formativos. Essas ferramentas podem contribuir para o fortalecimento da etnoeducação universitária ao promover a inclusão e valorização das múltiplas perspectivas culturais e linguísticas. Segundo Sarwari et al. (2024), muitos estudantes de pós-graduação acreditam que as tecnologias de IA conectam diferentes culturas, reduzem as barreiras linguísticas e culturais e ajudam pessoas de diferentes culturas a interagir e se conectar.
Por exemplo, em um programa de formação de professores na Colômbia, um sistema de recomendação poderia sugerir conteúdos da história e da cultura afro-colombiana para futuros docentes que atuarão em regiões como o Pacífico colombiano, onde essa população é majoritária. Semelhantemente, no México, os sistemas poderiam recomendar recursos bilíngues em espanhol e náuatle — uma das línguas indígenas mais faladas no país — para professores em formação, promovendo a revitalização de línguas indígenas em estados como Veracruz, Puebla e Hidalgo. Assim, os sistemas de recomendação aproximam futuros docentes das realidades linguísticas e culturais de onde atuarão, o que evidencia o potencial prático dessas ferramentas para a etnoeducação.
A importância da personalização culturalmente sensível e as contribuições para os currículos de formação intercultural
Embora a personalização seja frequentemente apontada como uma das principais vantagens dos sistemas de recomendação, é fundamental que ela atenda às necessidades específicas dos contextos educacionais. Isso é particularmente importante na formação de professores interculturais, cuja prática pedagógica precisa ser sensível às diferenças étnicas e linguísticas.
Segundo Armstrong et al. (2022), a sensibilidade intercultural não é um aspecto instintivo e universal do comportamento humano, mas tem sido considerada uma habilidade muito importante necessária para viver harmoniosamente no mundo pluralista de hoje. Caicedo Ortiz e Castillo Guzmán (2021a) enfatizam a importância de implementar currículos que reflitam a diversidade cultural e que promovam a dignificação das populações étnicas.
Um dos desafios enfrentados pelas universidades é a formação de especialistas que não se limitem a reproduzir conhecimentos baseados em modelos exógenos, mas que desenvolvam suas práticas fundamentadas em critérios de identidade cultural e no contexto em que os problemas sociais são experienciados e reconhecidos. Esses profissionais devem desempenhar o papel de autores da realidade, e não apenas de espectadores passivos (Ramos et al., 2024).
Segundo Guesser e Hobold (2024), há necessidade de enfoque em políticas públicas voltadas à formação inicial e continuada de professores em toda a América Latina, abrangendo tanto educadores em início de carreira quanto aqueles com maior experiência, em diferentes níveis e modalidades de ensino. Essa formação deve estimular o questionamento crítico das “verdades” históricas ensinadas, que muitas vezes legitimam exclusões culturais e silenciam vozes marginalizadas. No Brasil, a Lei das Cotas (Lei nº 12.711/2012 e Lei nº 14.723/2023) exemplifica uma política pública que amplia o acesso de populações historicamente marginalizadas à educação superior.
A construção de uma educação intercultural requer investimentos em políticas que articulem saberes acadêmicos e culturais, assegurando aos professores uma formação continuada e humanizadora. Ninguém pode ensinar aquilo que não aprendeu ou vivenciou. O reconhecimento da variação linguístico-cultural é essencial para ampliar a conscientização e a reivindicação de direitos humanos (Guesser e Hobold, 2024).
No campo da saúde, Cantarutti et al. (2023) abordam que, internacionalmente, a competência cultural foi integrada aos currículos de programas profissionais de saúde, mas exemplificam que, no Chile, ainda está em estágios iniciais, apesar da diversidade cultural do país e das desigualdades no acesso e na qualidade do atendimento. Os autores destacam, no contexto da odontologia, que a inclusão de competências culturais nos currículos é essencial para garantir um atendimento mais inclusivo e seguro. Eles recomendam que isso seja realizado longitudinalmente, abrangendo diversos cursos e empregando metodologias eficazes de ensino e avaliação.
Ainda no âmbito da saúde, Gradellini et al. (2021) enfatizam a relevância da competência cultural e da comunicação intercultural na educação em enfermagem, argumentando que estratégias de ensino que combinam múltiplas competências e incluem a formação de professores são mais eficazes. Esses autores sugerem ainda que os currículos de graduação e pós-graduação em enfermagem sejam adaptados para refletir as especificidades culturais das comunidades atendidas, por meio de projetos educacionais transversais e contínuos.
Suárez-Baquero (2024) complementa esse panorama ao destacar a importância de promover uma abordagem descolonizadora nos currículos de enfermagem, especialmente em países da América Latina. Ele defende a necessidade de incluir perspectivas indígenas e marginalizadas, desafiando os legados coloniais que historicamente influenciaram os sistemas de ensino e as práticas de saúde. A integração dessas perspectivas nos currículos não apenas reconhece as injustiças históricas, mas também contribui para a construção de conhecimentos mais sensíveis às diversidades culturais.
De acordo com Nafisah et al. (2024), apesar de alguns professores de inglês como língua estrangeira reconhecerem a importância do ensino cultural, a prática em sala de aula frequentemente se concentra em aspectos linguísticos, negligenciando a discussão e a exploração de temas interculturais. Isso ressalta a necessidade de uma formação robusta para os professores, que os capacite a abordar efetivamente a competência comunicativa intercultural em suas aulas.
A IA, ao promover a personalização do aprendizado, possibilita ajustar as experiências educativas às necessidades e características específicas de estudantes e professores. Contudo, há receios de que essa personalização possa beneficiar desproporcionalmente grupos com maior capital sociocultural, aumentando a exclusão de indivíduos provenientes de contextos menos favorecidos. Portanto, é fundamental que a implementação dessas tecnologias seja feita com cautela, assegurando que elas atendam a todos os usuários, independentemente de suas origens culturais (García Perales et al., 2025; Jara e Ochoa, 2020).
Um exemplo relevante é o uso de sistemas de recomendação para integrar metodologias ativas com conteúdos culturalmente significativos. Por exemplo, ferramentas que sugerem estratégias de ensino baseadas em projetos podem ser ajustadas para incluir temas como práticas agrícolas tradicionais, cosmologias indígenas ou eventos históricos locais. Ao fazer isso, os sistemas ajudam a conectar a formação docente com os contextos vividos por seus futuros alunos.
Os sistemas de IA podem desempenhar um papel importante na superação das barreiras de acesso a materiais educacionais em comunidades isoladas. Ao curar e organizar recursos digitais disponíveis em bases de dados abertas, essas ferramentas podem ampliar o repertório pedagógico dos professores em formação, fortalecendo, por exemplo, sua capacidade de trabalhar em contextos socioeconômicos desafiadores na América Latina. Os sistemas de recomendação com elementos de pluralidade cultural têm o potencial de:
Além do ensino superior, os sistemas de recomendação também podem transformar escolas ao personalizarem currículos e identificarem materiais adaptados às necessidades de grupos sub-representados. Por meio da priorização de conteúdos que promovam a preservação de línguas indígenas, essas ferramentas reforçam seu papel na valorização da diversidade cultural regional. Assim, ao combinar tecnologia e interculturalidade, os sistemas de recomendação oferecem caminhos concretos para fortalecer a formação docente e atender às demandas de um cenário educacional cada vez mais plural.
Considerações críticas sobre o uso de sistemas de recomendação
A implementação de sistemas de recomendação no contexto educacional apresenta um potencial significativo, mas enfrenta desafios estruturais e contextuais que devem ser abordados para maximizar seus benefícios. Um dos principais obstáculos está relacionado à infraestrutura tecnológica — em muitas regiões da América Latina, persistem desigualdades marcantes no acesso à internet de qualidade e a recursos tecnológicos básicos.
Um aspecto central é a capacitação de professores. Para integrar essas ferramentas às suas práticas pedagógicas, os educadores precisam de formação continuada que desenvolva competências culturais e tecnológicas específicas. De acordo com Arif e Abrons (2020), a adoção de métodos digitais de aprendizagem exige responsabilidade profissional e ética. Da mesma forma, Fernández-Cerero et al. (2023) ressaltam que o mau uso de tecnologias pode produzir uma marginalização, reforçando a necessidade de maior acessibilidade, disponibilidade de recursos e treinamento especializado.
A aceitação dessas tecnologias pelos educadores também é um fator decisivo para seu sucesso. Segundo uma pesquisa realizada por Sánchez Vera (2024), 96,7% dos professores que já utilizaram ferramentas de IA manifestaram a intenção de ampliar seu uso no futuro. Mas convém ressaltar que, de acordo com Jara e Ochoa (2020), estudos evidenciam que a IA é mais eficaz quando complementa, e não substitui, os métodos tradicionais de ensino. Assim, os sistemas de recomendação devem atuar como suporte, e não como substitutos da mediação pedagógica. Os professores devem saber interpretar e contextualizar as recomendações. Isso demonstra a necessidade de formá-los para lidar com essas tecnologias de forma eficiente e alinhada às demandas educacionais contemporâneas.
Embora as oportunidades para universidades latino-americanas sejam vastas, a implementação prática de sistemas de recomendação ainda enfrenta desafios significativos, como a possibilidade de reforçar estereótipos. A próxima seção aborda questões éticas e técnicas, ressaltando a importância de um design culturalmente sensível.
Vieses culturais na IA educacional: desafios éticos e técnicos
Os sistemas de IA, especialmente aqueles baseados em aprendizado de máquina, são treinados usando grandes conjuntos de dados coletados de várias fontes, que podem ser tendenciosos e reproduzir certos preconceitos (Sánchez Vera, 2024). Portanto, vieses culturais, históricos e estruturais podem ser incorporados às decisões algorítmicas, influenciando negativamente os sistemas de recomendação. Essa realidade representa um dos principais desafios éticos e técnicos no uso da IA na educação.
Um exemplo emblemático de viés algorítmico em sistemas de recomendação é o COMPAS, utilizado no sistema judicial dos EUA. O COMPAS previa a reincidência criminal com viés racial — indivíduos negros eram classificados como de “alto risco” quase duas vezes mais do que brancos, enquanto estes, mesmo reincidindo, eram mais frequentemente rotulados como “baixo risco”. Esse viés surgiu porque o algoritmo foi treinado com um conjunto de dados contendo mais registros de condenações de pessoas negras do que brancas, resultando na associação equivocada entre reincidência criminal e cor da pele (Gupta et al., 2022).
A capacidade da IA de personalizar trajetórias educativas, detectar padrões e prever comportamentos, em alta velocidade, pode trazer benefícios significativos, mas também levanta preocupações quanto à perpetuação de desigualdades existentes (Jara e Ochoa, 2020). Nesse contexto, Khan e Herder (2023) abordam o conceito de “espiral do silêncio”, demonstrando como a ausência de recomendações adequadas para minorias pode resultar na invisibilização de suas vozes e conhecimentos. Os sistemas de recomendação, ao refletirem padrões presentes nos dados de treinamento, podem reproduzir vieses raciais, de gênero e de popularidade, resultando na marginalização de certos grupos. Para mitigar esses efeitos, é essencial que as soluções técnicas sejam projetadas com considerações éticas (An et al., 2024).
Lastimavelmente, tanto a imprensa quanto a literatura acadêmica apontam evidências convincentes de que recomendações baseadas em IA ajudam a perpetuar e exacerbar preconceitos raciais (Gupta et al., 2022). No contexto da formação intercultural de professores, os vieses são particularmente prejudiciais, pois reforçam estereótipos, marginalizam perspectivas de comunidades historicamente excluídas e limitam a diversidade cultural nos currículos universitários.
Diante desse cenário, esta seção discute os principais desafios associados aos vieses culturais na IA educacional e suas implicações para a etnoeducação universitária na América Latina.
Vieses culturais nos algoritmos e suas implicações para a etnoeducação
Alguns fatores contribuem para os vieses culturais em sistemas de IA:
Esses aspectos não afetam apenas a precisão das recomendações feitas por sistemas de IA, mas também têm implicações nos processos pedagógicos e curriculares das universidades latino-americanas:
Portanto, a formação de professores deve contemplar uma compreensão aprofundada das dinâmicas raciais e culturais, além de estratégias pedagógicas voltadas à inclusão e à equidade. A revisão de práticas tradicionais que perpetuam estereótipos e exclusões torna-se essencial para evitar que os sistemas de IA reproduzam desigualdades educacionais em vez de combatê-las (Caicedo Ortiz e Castillo Guzmán, 2021a).
Desafios éticos
Os vieses culturais nos sistemas de IA levantam questões fundamentais sobre responsabilidade, justiça e inclusão. Para que essas tecnologias sejam utilizadas eticamente na educação intercultural, é essencial garantir transparência nos processos de desenvolvimento e implementação dos algoritmos. No entanto, muitos sistemas operam sem que os usuários, incluindo educadores e instituições, compreendam como as recomendações são geradas, quais dados são utilizados e que critérios orientam as decisões algorítmicas. Essa opacidade dificulta a identificação e mitigação de vieses, perpetuando desigualdades estruturais e comprometendo os objetivos da etnoeducação.
Um dos maiores riscos éticos é a potencial amplificação de discriminações históricas. Casos emblemáticos já demonstraram como a IA pode exacerbar desigualdades culturais — como, por exemplo, sistemas de pontuação de crédito habilitados por IA com taxas de juros mais altas para minorias —, ilustrando a urgência de ações mitigadoras (Gupta et al., 2022). No contexto latino-americano, onde comunidades indígenas e afrodescendentes enfrentam exclusão educacional, sistemas de recomendação podem involuntariamente marginalizar ainda mais esses grupos.
O estudo de Gupta et al., (2022) aborda diversos desafios éticos associados aos vieses na IA, enfatizando que a presença de preconceitos raciais e de gênero nas recomendações geradas por algoritmos pode criar desconfiança e prejudicar interações humanas. O estudo também destaca que valores culturais individuais influenciam a disposição das pessoas em questionar recomendações enviesadas, o que sugere a necessidade de mecanismos de governança que reconheçam e abordem esses vieses para evitar impactos negativos e promover um uso mais ético das tecnologias de IA.
Além disso, a ausência de medidas regulatórias adequadas dificulta a adaptação dos sistemas de IA às sociedades multiculturais contemporâneas. Ożegalska-Łukasik e Łukasik (2023) ressaltam a importância de desenvolver modelos de IA culturalmente responsivos, por meio de pesquisas multidisciplinares que considerem aspectos socioculturais e éticos. A enculturação da IA — ou seja, a incorporação de princípios culturais e valores locais nos algoritmos — deve ser um objetivo central para garantir que os sistemas sirvam a propósitos inclusivos. Nesse sentido, regulamentações que promovam a responsabilidade cultural podem evitar que a IA enfraqueça a diversidade cultural.
Outro aspecto ético subexplorado é o impacto social de longo prazo dos sistemas de recomendação, como sua influência no consumo cultural, comportamento social e discurso público (An et al., 2024). Ainda há uma lacuna na compreensão de como preocupações éticas, como aspectos de privacidade, se manifestam nas experiências cotidianas dos usuários e nos resultados sociais. Parte dessa limitação decorre da fragmentação entre pesquisas qualitativas em ciências sociais e abordagens quantitativas da ciência da computação. Superar essa divisão permitiria análises mais abrangentes e uma compreensão mais profunda da interação entre IA e dinâmicas sociais.
Ademais, convém comentar um estudo conduzido por Tsai et al. (2022), sobre o impacto da IA na aprendizagem de programação de computadores entre estudantes universitários multiétnicos. Os resultados indicaram que alunos indígenas estavam mais preocupados com os efeitos da tecnologia em suas comunidades, enquanto estudantes chineses viam o aprendizado de programação como um benefício pessoal. Isso reforça a necessidade de adaptar a IA às especificidades culturais dos usuários, garantindo que seu uso na educação leve em conta não apenas aspectos técnicos, mas também as motivações e valores das comunidades envolvidas.
Diante desses desafios, torna-se urgente (re)pensar a forma como os sistemas de recomendação são projetados e utilizados na educação. O desenvolvimento de IA ética e culturalmente sensível requer um compromisso institucional com transparência, inclusão e diversidade.
Desafios técnicos
A detecção e mitigação de vieses culturais nos sistemas de recomendação representam desafios técnicos complexos. Um dos principais entraves é a criação de bases de dados culturalmente representativas e equilibradas. Isso requer não apenas a curadoria de materiais existentes, mas também o desenvolvimento de novos conteúdos que reflitam as realidades das comunidades sub-representadas. Segundo Jara e Ochoa (2020), quando os dados de treinamento de um sistema de IA são coletados de populações que não representam os usuários finais, as recomendações geradas podem ser imprecisas e tendenciosas, reforçando desigualdades históricas.
Além disso, a forma como os algoritmos priorizam conteúdos pode acentuar distorções. O viés de popularidade em sistemas de recomendação influencia padrões de consumo e percepção cultural, favorecendo normas dominantes (Moradi et al., 2024). Para mitigar esse problema, é essencial o desenvolvimento de métricas contextuais que considerem especificidades culturais, linguísticas e pedagógicas de cada região. Algoritmos devem ir além de critérios quantitativos e incorporar parâmetros qualitativos, como a promoção ativa de conteúdos culturais historicamente invisibilizados.
Embora métricas como novidade, diversidade e justiça existam na literatura, elas não tratam a cultura como um conceito e desafio central. Nesse contexto, Ferraro et al. (2024) propuseram a métrica comunalidade, que avalia até que ponto as recomendações ampliam a exposição dos usuários a conteúdos culturais diversos. Seus resultados demonstram que essa abordagem complementa métricas tradicionais e sugere a necessidade de intervenções não personalizadas em sistemas de recomendação para fortalecer a cidadania cultural (Ferraro et al. 2024; Protopapa, 2024).
A privacidade e segurança dos dados também representam um desafio crítico. A coleta e armazenamento de informações pessoais para alimentar sistemas de recomendação devem seguir regulamentações rigorosas, como a Lei Geral de Proteção de Dados (LGPD) no Brasil, garantindo anonimização e proteção adequada dos dados (Aguiar, 2023b; De Araújo Neto e Aguiar, 2024). Sem salvaguardas eficazes, há riscos de exploração indevida de informações sensíveis, comprometendo a confiança dos usuários e aumentando vulnerabilidades.
Outro fator relevante é a acessibilidade digital. Apesar dos avanços na digitalização e conectividade na América Latina, muitas regiões, especialmente áreas rurais, ainda enfrentam barreiras de conectividade e baixa alfabetização digital. Isso pode limitar os benefícios dos sistemas de recomendação na formação intercultural de professores, excluindo aqueles sem acesso adequado à internet e tecnologia (Aguiar, 2023b; Jara e Ochoa, 2020). Assim, torna-se indispensável o investimento em políticas públicas e iniciativas que assegurem condições equitativas de acesso a tecnologias digitais.
A governança dos sistemas de IA também exige atenção. De acordo com Santos et al. (2023), embora os efeitos do racismo algorítmico sejam conhecidos, ainda não há consenso sobre como mitigá-lo de maneira eficaz na engenharia de software, sendo promissor combinar estratégias técnicas e sociais. A iniciativa fAIr LAC, do Banco Interamericano de Desenvolvimento (BID), exemplifica uma política voltada para mitigar vieses algorítmicos e incentivar o uso ético da IA na América Latina, por meio do desenvolvimento de modelos de avaliação ética e ferramentas que auxiliem governos, empreendedores e organizações da sociedade civil a aprofundar seu conhecimento e adotar diretrizes para sua implementação responsável (Cabrol et al. 2020).
Além da governança, o envolvimento direto dos usuários finais — educadores, estudantes e lideranças comunitárias — no design e na avaliação dos sistemas de recomendação pode aumentar a transparência e garantir que essas ferramentas respeitem e valorizem a diversidade cultural. Segundo Protopapa (2024), permitir que os usuários participem do design e da melhoria da experiência de uso desses sistemas não apenas ajudaria as indústrias a compreender melhor seus públicos, mas também fortaleceria a conexão entre os valores comunitários e o desenvolvimento das ferramentas.
Embora os desafios sejam significativos, na próxima seção deste artigo, são apresentadas diretrizes considerando os aspectos discutidos nesta seção, visando promover o desenvolvimento de sistemas de recomendação que valorizem a pluralidade cultural da América Latina.
Diretrizes para projetar sistemas de recomendação culturalmente responsivos
Nesta seção, são apresentadas diretrizes, com base nas discussões das seções anteriores, buscando alinhar os sistemas de recomendação aos valores da etnoeducação universitária no contexto latino-americano, integrando princípios éticos, técnicos e colaborativos para superar vieses e promover práticas educativas que respeitem as especificidades das comunidades étnicas e linguísticas da região.
Incorporar dados multiculturais e contextuais
A base de qualquer sistema de recomendação é a qualidade e diversidade dos dados utilizados. Uma das primeiras etapas para projetar sistemas culturalmente responsivos é garantir que os dados utilizados para treinar os algoritmos sejam representativos da diversidade cultural e linguística das comunidades alvo. No contexto latino-americano, é essencial que os algoritmos sejam treinados com dados que representem adequadamente a riqueza cultural da região. Isso implica:
Uma base de dados culturalmente rica e diversificada não apenas melhora a precisão das recomendações, mas também contribui para a preservação e valorização das identidades culturais locais.
Envolver as comunidades no design dos sistemas
A participação ativa das comunidades no processo de desenvolvimento é essencial para garantir que os sistemas de recomendação promovam conteúdos relevantes. Essa abordagem colaborativa pode incluir:
Equipes mais diversas no design de sistemas algorítmicos podem ter maior capacidade de identificar e mitigar preconceitos culturais. Quando há pouca diversidade entre engenheiros e pesquisadores envolvidos no desenvolvimento, a limitação de perspectivas pode levar à criação de produtos de IA que reforçam preconceitos e os disseminam massivamente (Liu et al., 2023).
Adotar princípios éticos no design
A ética deve ser um pilar central no desenvolvimento de sistemas de recomendação educacional. Isso envolve:
Esses princípios éticos podem ser incorporados como diretrizes em um marco regulatório regional, envolvendo governos e instituições educacionais. No Brasil, por exemplo, a etnoeducação é fortemente ligada às políticas voltadas para comunidades indígenas e quilombolas, bem como à Lei nº 10.639/2003, que torna obrigatório o ensino de história e cultura afro-brasileira nas escolas.
No contexto de intervenções para mitigar vieses em sistemas de recomendação, Wang et al. (2024) propuseram um framework com quatro etapas: (1) preparação de dados confiável; (2) representação de dados robusta e explicável; (3) geração de recomendações justas, transparentes, explicáveis e responsáveis; e (4) avaliação confiável. Semelhantemente, An et al. (2024) abordam três estágios principais: (1) a fase de pré-processamento, em que os vieses podem ser reduzidos na coleta de dados por meio de amostragem ou compensação de grupos sub-representados; (2) a fase de treinamento do modelo, que envolve intervenções como aprendizado adversário, rebalanceamento e regularização, para evitar a amplificação de vieses e a concentração de recomendações em itens populares; e (3) a fase de pós-processamento, na qual as saídas do sistema podem ser ajustadas para atender a metas de justiça, garantindo uma representação equilibrada entre diferentes grupos.
Incentivar modelos pedagógicos colaborativos
Para maximizar o impacto dos sistemas de recomendação, é importante integrá-los a modelos pedagógicos que promovam a colaboração entre universidades e comunidades locais. Isso pode incluir:
Há resultados positivos referentes à colaboração entre instituições educacionais e comunidades étnicas (Caicedo Ortiz e Castillo Guzmán, 2021a). Práticas colaborativas não apenas fortalecem a etnoeducação, mas também garantem que os sistemas de recomendação evoluam continuamente para atender às demandas dos usuários.
Avaliar o impacto cultural e pedagógico
A avaliação contínua é um componente fundamental para garantir que os sistemas de recomendação permaneçam culturalmente responsivos e pedagogicamente eficazes. É essencial estabelecer métricas e indicadores que permitam avaliar os impactos dos sistemas de recomendação nos contextos culturais e pedagógicos. Esses indicadores podem incluir:
Para avaliar o impacto de sistemas de recomendação, deve-se permitir que os usuários forneçam feedback sobre relevância e qualidade dos conteúdos recomendados. Esse retorno pode ser utilizado para ajustar os algoritmos e aprimorar as recomendações futuras, contribuindo para a adaptação constante do sistema. É pertinente incluir não apenas a análise de dados quantitativos, mas também a realização de análises qualitativas que capturem as experiências vivenciadas por educadores e estudantes no uso dessas ferramentas.
Uma linha de pesquisa promissora diz respeito ao desenvolvimento de métricas para avaliar a eficácia desses sistemas na promoção da inclusão e da pluralidade cultural — a exemplo da métrica Comunalidade (Ferraro et al., 2024). Também é promissor adaptar o uso de frameworks existentes. Por exemplo, o modelo FAIR (Findable, Accessible, Interoperable, Reusable) (Raza et al., 2024) pode ser adaptado ao contexto educacional, garantindo que os dados utilizados sejam acessíveis e interoperáveis entre diferentes idiomas e culturas.
As diretrizes apresentadas nesta seção têm como objetivo alinhar o desenvolvimento de sistemas de recomendação com os princípios da etnoeducação e da formação intercultural de professores na América Latina. Elas destacam a importância de práticas tecnológicas que respeitem e promovam a diversidade cultural. Além disso, oferecem um caminho para que a IA educacional seja utilizada como ferramenta de transformação social, ajudando a construir pontes entre diferentes saberes e comunidades. Ademais, Aguiar (2023b) defende que projetar algoritmos de recomendação para promover a diversidade cultural, recomendando conteúdo de diferentes países latino-americanos, fortalece a identidade regional.
Conclusão
Ao longo deste artigo, explorou-se como os sistemas de recomendação baseados em IA podem ser utilizados como ferramentas estratégicas para promover a pluralidade cultural e enriquecer a formação intercultural de professores no contexto latino-americano. Discutiram-se os desafios éticos e técnicos decorrentes dos vieses culturais inerentes a esses sistemas, com foco na importância de projetá-los de maneira culturalmente responsiva e alinhada aos princípios da etnoeducação.
A tese central defendida sustenta que os sistemas de recomendação só contribuirão efetivamente para práticas educativas inclusivas na América Latina se forem desenvolvidos a partir de estratégias que assegurem a representatividade cultural e linguística das suas comunidades. Para isso, este estudo apresentou diretrizes para tornar esses sistemas mais culturalmente responsivos, incluindo a adoção de mecanismos para mitigar vieses algorítmicos.
Além de reafirmar a importância da interseção entre IA educacional e etnoeducação, este artigo abre caminhos para futuras investigações. Estudos posteriores poderiam explorar a implementação prática de sistemas de recomendação nos programas de graduação em etnoeducação. Por exemplo, um estudo piloto nas universidades colombianas poderia analisar o impacto desses sistemas na formação pedagógica, avaliando como a recomendação de conteúdos específicos sobre práticas religiosas e contribuições culturais dos Wayúu, dos Palenqueros, ou de outras comunidades indígenas e afro-colombianas, pode aprofundar a compreensão das tradições e valores dessas culturas.
Por sua vez, pesquisas empíricas, na Bolívia, poderiam investigar o impacto dos sistemas de recomendação no desenvolvimento de competências bilíngues dos professores em formação, avaliando como a recomendação de conteúdos em quíchua e aimará fortalece o respeito pela diversidade linguística e cultural do país. No México, investigações poderiam examinar o impacto da recomendação de narrativas orais, jogos tradicionais e práticas agrícolas em contextos educativos zapotecas e maias, conectando esses elementos ao currículo escolar. No Brasil, pesquisas poderiam explorar o uso de sistemas de recomendação, criando trilhas de aprendizado personalizadas, para conectar futuros professores de comunidades quilombolas a conteúdos sobre história e cultura afro-brasileira.
O avanço da IA na educação deve ser acompanhado de uma visão crítica, garantindo que essas tecnologias sejam adaptadas às realidades locais e não reforcem desigualdades preexistentes. As diretrizes propostas neste estudo fornecem uma base para universidades, desenvolvedores de tecnologia educacional e formuladores de políticas públicas na América Latina. Jara e Ochoa (2020) destacam que os formuladores de políticas precisam enfrentar o desafio de desenvolver habilidades e conhecimentos necessários para que as novas gerações funcionem em um mundo de trabalho cada vez mais dominado pela automação, em que a vida social está progressivamente digitalizada.
Para alcançar uma IA confiável, é essencial promover a inclusão e a diversidade em todo o ciclo de vida dos sistemas, pois, embora diversidade não assegure justiça, sua promoção pode ser um caminho eficaz para alcançar resultados mais justos (Porcaro et al., 2023). Nesse contexto, é importante considerar a aplicação de ideias de pesquisas recentes ao projetar novos sistemas de recomendação, a exemplo do modelo proposto por Moradi et al. (2024) que visa combater o viés de popularidade, o qual favorece culturas dominantes.
Finalmente, reforça-se que o uso responsável da tecnologia educacional deve estar ancorado em uma visão ética e humanista da educação. No contexto latino-americano, isso implica valorizar as histórias, culturas e identidades das comunidades locais, transformando os sistemas de recomendação em ferramentas para fortalecer a construção de uma educação mais equitativa e intercultural.
Referências
Aguiar, J. J. B. (2023a). Inteligência artificial e tecnologias digitais na educação: oportunidades e desafios. Open Minds International Journal, 4(2), 183-188. https://doi.org/10.47180/omij.v4i2.215
Aguiar, J. J. B. (2023b). Sistemas de recomendação e sua contribuição para a integração regional na América Latina. Em Fórum Universitário Mercosul (org.), Anais do XIX Congresso Internacional FoMerco (João Pessoa, Brasil). https://www.congresso2023.fomerco.com.br/anais/trabalhos/lista#J
Aguiar, J. J. B., Araújo, J. M. F. R. D. e Costa, E. D. B. (2022). Sistemas de recomendação de objetos de aprendizagem: análises de estratégias envolvendo estudantes de computação. RFB Editora. https://doi.org/10.46898/rfb.9786558894032
An, Y., Tan, Y., Sun, X. e Ferrari, G. (2024). Recommender system: A comprehensive overview of technical challenges and social implications. ICCK Transactions on Sensing, Communication, and Control, 1(1), 30-51. https://doi.org/10.62762/TSCC.2024.898503
Arif, S. A. e Abrons, J. P. (2020). Promoting cultural sensitivity with the ethical and professional use of social media during global pharmacy experiences. Currents in Pharmacy Teaching and Learning, 12(11), 1383-1386. https://doi.org/10.1016/j.cptl.2020.05.009
Armstrong, E., Gapany, D., Maypilama, Ḻ., Bukulatjpi, Y., Fasoli, L., Ireland, S. e Lowell, A. (2022). Rälmanapanmirr ga dhä-manapanmirr – Collaborating and connecting: Creating an educational process and multimedia resources to facilitate intercultural communication. International Journal of SpeechLanguage Pathology, 24(5), 533-546. https://doi.org/10.1080/17549507.2022.2070670
Brasil. (2003). Lei nº 10.639, de 9 de janeiro de 2003. Altera a Lei nº 9.394, de 20 de dezembro de 1996, que estabelece as diretrizes e bases da educação nacional, para incluir no currículo oficial da Rede de Ensino a obrigatoriedade da temática “História e Cultura Afro-Brasileira”, e dá outras providências. https://www.planalto.gov.br/ccivil_03/Leis/2003/L10.639.htm
Brasil. (2012). Lei nº 12.711, de 29 de agosto de 2012. Dispõe sobre o ingresso nas universidades federais e nas instituições federais de ensino técnico de nível médio e dá outras providências.
https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2012/lei/l12711.htm
Brasil. (2018). Lei nº 13.709, de 14 de agosto de 2018. Lei Geral de Proteção de Dados Pessoais (LGPD). http://www.planalto.gov.br/ccivil_03/_Ato2015-2018/2018/Lei/L13709.htm
Brasil. (2023). Lei nº 14.723, de 13 de novembro de 2023. Altera a Lei nº 12.711, de 29 de agosto de 2012, para dispor sobre o programa especial para o acesso às instituições federais de educação superior e de ensino técnico de nível médio de estudantes pretos, pardos, indígenas e quilombolas e de pessoas com deficiência, bem como daqueles que tenham cursado integralmente o ensino médio ou fundamental em escola pública.
https://www.planalto.gov.br/ccivil_03/_Ato2023-2026/2023/Lei/L14723.htm
Cabrol, M., González A., N., Pombo, C. e Sánchez A., R. (٢٠٢٠). fAIr LAC: adopción ética y responsable de la inteligencia artificial en América Latina y el Caribe. Inter-American Development Bank.
https://doi.org/10.18235/0002169
Caicedo Ortiz, J. A. e Castillo Guzmán, E. (2021a). Caleidoscopio del racismo escolar: saberes, pedagogías, conmemoraciones e iconografías. Nodos y Nudos, 7(50).
https://doi.org/10.17227/nyn.vol7.num50-12585
Caicedo Ortiz, J. A. e Castillo Guzmán, E. (2021b). La formación docente intercultural en Colombia (1977-2020). Pedagogía comunitaria, cátedra de estudios afrocolombianos y etnoeducación universitaria. Em M. S. Villagómez, G. Salinas, S. Granda, G. Czarny e C. Navia (coords.), Repensando pedagogías y prácticas interculturales en las Américas (pp. 93-146). Editorial Universitaria Abya-Yala.
Cantarutti, C., Véliz, C., Isbej, L. e Fredes, A. (2023). Identificación de contenidos de pertinencia intercultural para la atención de salud para el plan de estudios de odontología. Revista Médica de Chile, 151(5), 649-658. https://doi.org/10.4067/s0034-98872023000500649
Costa Júnior, J. F., Lopes, L. C. L., Santos, M. M. de O., Reinoso, L. F., Freire, K. M. de A., Dos Reis Neto, R. A., Moraes, L. S. e Ribeiro, R. da M. (2024). A inteligência artificial como ferramenta de apoio à inclusão. Cuadernos de Educación y Desarrollo, 16(4), e4076. https://doi.org/10.55905/cuadv16n4-161
Da Silva, F. L., Slodkowski, B. K., Da Silva, K. K. A. e Cazella, S. C. (2023). A systematic literature review on educational recommender systems for teaching and learning: research trends, limitations and opportunities. Education and Information Technologies, 28(3), 3289-3328.
https://doi.org/10.1007/s10639-022-113419
De Araújo Neto, R. J. e Aguiar, J. J. B. (2024). The impacts of the General Data Protection Law (LGPD) on information security: A literature review. Revista de Gestão e Secretariado, 15(2), e3442.
https://doi.org/10.7769/gesec.v15i2.3442
Felfernig, A., Wundara, M., Tran, T. N. T., Polat-Erdeniz, S., Lubos, S., El Mansi, M., Garber, D. e Le, V. M. (2023). Recommender systems for sustainability: overview and research issues. Frontiers in Big Data, 6, 1284511. https://doi.org/10.3389/fdata.2023.1284511
Fernández-Cerero, J., Montenegro-Rueda, M. e Fernández-Batanero, J. M. (2023). Impact of university teachers’ technological training on educational inclusion and quality of life of students with disabilities: A systematic review. International Journal of Environmental Research and Public Health, 20(3), 2576. https://doi.org/10.3390/ijerph20032576
Ferraro, A., Ferreira, G., Diaz, F. e Born, G. (2024). Measuring commonality in recommendation of cultural content to strengthen cultural citizenship. ACM Transactions on Recommender Systems, 2(1), 1-32. https://doi.org/10.1145/3643138
García-Perales, N., Hernández Rincón, M. L. e Suárez-Lantarón, B. (2025). Docentes y tecnología: ¿cómo enfrenta el futuro profesorado el uso de la inteligencia artificial? Revista Electrónica Interuniversitaria de Formación del Profesorado, 28(1), 155-168. https://doi.org/10.6018/reifop.638431
Gradellini, C., Gómez-Cantarino, S., Dominguez-Isabel, P., Molina-Gallego, B., Mecugni, D. e Ugarte-Gurrutxaga, M. I. (2021). Cultural competence and cultural sensitivity education in university nursing courses: A scoping review. Frontiers in Psychology, 12, 682920.
https://doi.org/10.3389/fpsyg.2021.682920
Guesser, S. Z. P. e Hobold, M. de S. (2024). Estado do conhecimento: contributos para o desenvolvimento da formação continuada intercultural de professores/as. Práxis Educativa, 19, 1-24. https://doi.org/10.5212/PraxEduc.v.19.22857.017
Gupta, M., Parra, C. M. e Dennehy, D. (2022). Questioning racial and gender bias in AI-based recommendations: Do espoused national cultural values matter? Information Systems Frontiers, 24(5), 1465-1481. https://doi.org/10.1007/s10796-021-10156-2
Ibrahim, O. A. S., Younis, E. M. G., Mohamed, E. A. e Ismail, W. N. (2025). Revisiting recommender systems: An investigative survey. Neural Computing and Applications, 37, 2145-2173.
https://doi.org/10.1007/s00521-02410828-5
Jara, I. e Ochoa, J. M. (2020). Usos y efectos de la inteligencia artificial en educación. Inter-American Development Bank. http://doi.org/10.18235/0002380
Khan, S. N. e Herder, E. (2023). Effects of the spiral of silence on minority groups in recommender systems. Em HT ’23: Proceedings of the 34th ACM Conference on Hypertext and Social Media (art. 31, pp. 1-5). https://doi.org/10.1145/3603163.3609041
Lampou, R. (2023). The integration of artificial intelligence in education: Opportunities and challenges. Review of Artificial Intelligence in Education, 4(00), e015.
https://doi.org/10.37497/rev.artif.intell.educ.v4i00.15
Liu, B. L., Morales, D., Roser-Chinchilla, J., Sabzalieva, E., Valentini, A., Vieira do Nascimento, D. e Yerovi, C. (2023). Harnessing the era of artificial intelligence in higher education: A primer for higher education stakeholders. Unesco. https://unesdoc.unesco.org/ark:/48223/pf0000386670
Maghsudi, S., Lan, A., Xu, J. e Van der Schaar, M. (2021). Personalized education in the artificial intelligence era: What to expect next. IEEE Signal Processing Magazine, 38(3), 37-50.
https://doi.org/10.1109/MSP.2021.3055032
Moradi, A., Neophytou, N., Carichon, F. e Farnadi, G. (2024). Embedding cultural diversity in prototypebased recommender systems [preprint]. arXiv (arXiv:2412.14329).
https://arxiv.org/abs/2412.14329
Moraes, N. R. e Souza, F. da C. (2022). Etnoeducação e educação básica diferenciada para povos indígenas e comunidades quilombolas no Brasil: um desafio para a promoção do etnodesenvolvimento. Educação, 47(1), e106, 1-40. https://doi.org/10.5902/1984644464516
Nafisah, S. L., Oktarina, I., Santri, D. e Suwartono, T. (2024). Teachers’ perception and practices of intercultural communicative competence integration in EFL classroom: A systematic literature review. Educalitra: English Education, Linguistics, and Literature Journal, 3(1), 1-19.
https://doi.org/10.5281/zenodo.10596576
Ożegalska-Łukasik, N. e Łukasik, S. (2023). Culturally responsive artificial intelligence – Problems, challenges and solutions. Intercultural Relations, 7(2), 106-119.
https://doi.org/10.12797/RM.02.2023.14.07
Páez Cantillo, Y. (2023). Etnoeducación: una alternativa para la formación afrodescendiente colombiana. Revista Digital de Investigación y Postgrado, 4(7), 63-71. https://doi.org/10.59654/szcc7m87
Porcaro, L., Castillo, C., Gómez, E. e Vinagre, J. (2023). Fairness and diversity in information access systems [preprint]. arXiv (arXiv:2305.09319). https://arxiv.org/abs/2305.09319
Protopapa, A. (2024). Cultural content and recommendation: A study of metrics and impact [dissertação de mestrado, KTH Royal Institute of Technology]. KTH Publication Database DiVA.
https://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-352909
Rai, L., Deng, C., Lin, S. e Fan, L. (2023). Massive Open Online Courses and intercultural competence: analysis of courses fostering soft skills through language learning. Frontiers in Psychology, 14, 1219478. https://doi.org/10.3389/fpsyg.2023.1219478
Ramos, R. A., Illicachi-Guzñay, J. e Chiriboga-Cevallos, A. A. (2024). Interculturalidad e igualdad en la educación superior: una revisión sistemática. Revista Científica Arbitrada de Investigación en Comunicación, Marketing y Empresa REICOMUNICAR, 7(13), 179-206.
https://reicomunicar.org/index.php/reicomunicar/article/view/242
Raza, S., Ghuge, S., Ding, C., Dolatabadi, E. e Pandya, D. (2024). FAIR enough: Develop and assess a FAIR-compliant dataset for large language model training? Data Intelligence, 6(2), 559-585.
https://doi.org/10.1162/dint_a_00255
Ricci, F., Rokach, L. e Shapira, B. (2022). Recommender systems handbook. Springer US.
https://doi.org/10.1007/978-1-0716-2197-4
Sánchez Vera, M. del M. (2024). La inteligencia artificial como recurso docente: usos y posibilidades para el profesorado. Educar, 60(1), 33-47. https://doi.org/10.5565/rev/educar.1810
Santos, R. de S., De Lima, L. F. e Magalhães, C. (2023). The perspective of software professionals on algorithmic racism. Em 2023 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM) (pp. 1-10). https://doi.org/10.1109/ESEM56168.2023.10304856
Sarwari, A. Q., Javed, M. N., Adnan, H. M. e Wahab, M. N. A. (2024). Assessment of the impacts of artificial intelligence (AI) on intercultural communication among postgraduate students in a multicultural university environment. Scientific Reports, 14, 13849. https://doi.org/10.1038/s41598-024-63276-5
Sato, C. M. e Gómez-Pellón, E. (٢٠٢٣). Formação continuada de professores em educação intercultural: um estudo de caso em antropologia educacional. Educação & Formação, 8, e10357.
https://doi.org/10.25053/redufor.v8.e10357
Suárez-Baquero, D. F. M. (2024). Decolonizing nursing knowledge: Challenging Eurocentrism centering Global South voices. Nursing Outlook, 72(4), 102197. https://doi.org/10.1016/j.outlook.2024.102197
Tsai, C-W., Ma, Y-W., Chang, Y-C. e Lai, Y-H. (2022). Integrating multiculturalism into artificial intelligence-assisted programming lessons: Examining inter-ethnicity differences in learning expectancy, motivation, and effectiveness. Frontiers in Psychology, 13, 868698.
https://doi.org/10.3389/fpsyg.2022.868698
Wang, S., Zhang, X., Wang, Y. e Ricci, F. (2024). Trustworthy recommender systems. ACM Transactions on Intelligent Systems and Technology, 15(4). https://doi.org/10.1145/3627826
.........................................................................................................................................................
Janderson Jason Barbosa Aguiar
Bacharel, Mestre e Doutor em Ciência da Computação pela Universidade Federal de Campina Grande (UFCG). Professor na Universidade Estadual da Paraíba (UEPB). Suas áreas de interesse incluem sistemas de recomendação e inteligência artificial na educação. Publicações recentes: “ChatGPT as an Educational Support Tool: An Analysis of its Potential in the Teaching and Learning Process” (2024), em Caderno Pedagógico, 21(2), e2660, https://doi.org/10.54033/cadpedv21n2-019; e “The Impacts of the General Data Protection Law (LGPD) on Information Security: A Literature Review” (2024), em Revista de Gestão e Secretariado, 15(2), e3442, https://doi.org/10.7769/gesec.v15i2.3442.
* O artigo faz parte das pesquisas realizadas pelo autor enquanto professor universitário. Não houve financiamento e não há conflitos de interesse a serem divulgados. A correspondência referente a este artigo deve ser endereçada a Janderson Jason Barbosa Aguiar (janderson@servidor.uepb.edu.br).