O que os dados de engajamento das plataformas digitais revelam sobre como os estudantes realmente estudam
Quando um estudante usa uma plataforma digital de forma autônoma, ele deixa marcas: quais estruturas revisita, quanto tempo permanece em cada módulo, em que ponto abandona um caso clínico, quais erros repete. Esses dados são um espelho do processo cognitivo que nenhuma prova consegue capturar.
Toda interação de um estudante com uma plataforma digital de aprendizagem gera dados. Não apenas a nota final de um exercício ou o tempo total de uso, mas um rastro muito mais granular: quais conteúdos foram revisitados, em que sequência, com que intervalo entre uma tentativa e outra, em que ponto exato de um caso clínico o estudante hesitou ou abandonou a atividade, quais erros se repetem ao longo do tempo e quais desaparecem após uma única correção.
Esse tipo de dado (chamado, na literatura de tecnologia educacional, de “learning analytics”) é um espelho do processo cognitivo do estudante que nenhum instrumento de avaliação tradicional consegue capturar. Uma prova mede o resultado de um processo de estudo. Os dados de engajamento revelam o processo em si.
O que a pesquisa já documentou
O campo de learning analytics aplicado à educação em saúde vem se consolidando nos últimos anos, com um corpo crescente de evidências sobre o que esses dados conseguem revelar. Revisões sistemáticas sobre o uso de plataformas digitais em cursos de saúde mostram que dados de acesso, cliques e tempo de permanência em cada recurso têm sido usados para estudar desde a preparação de estudantes para sessões práticas de dissecção até a correlação entre padrões de uso de ambientes híbridos de ensino e desempenho acadêmico subsequente (1).
Estudos específicos no campo demonstram aplicações concretas: análise de padrões de uso de casos clínicos digitais para identificar engajamento real (não apenas acesso superficial); uso de dados de simulação para aprimorar o feedback dado a residentes em radiologia; e modelos preditivos capazes de identificar, ainda no meio do curso, estudantes com risco de baixo desempenho a partir de seus padrões de interação com recursos digitais (1).
Uma revisão sistemática mais ampla sobre uso de dados de learning analytics em disciplinas da área da saúde aponta uma tendência consistente, embora não universal: estudantes que se engajam mais com recursos digitais tendem a apresentar melhor desempenho acadêmico, mas a relação não é mecânica, e a qualidade do engajamento importa tanto quanto sua quantidade (2). Isso reforça um ponto central: contar acessos não é suficiente. O que esses dados realmente revelam depende de como são analisados.
O que esses rastros digitais conseguem capturar
Um dado de revisita frequente a um mesmo módulo pode indicar dificuldade persistente com aquele conteúdo, ou pode indicar que o estudante adotou aquele tema como ponto de estudo prioritário por reconhecer sua relevância (distinções que só análises mais qualificadas, e não apenas contagem bruta de acessos, conseguem capturar).
Um padrão de erro que se repete ao longo de múltiplas tentativas em um caso clínico simulado revela algo que uma prova de múltipla escolha não consegue mostrar: não apenas que o estudante errou, mas onde, dentro do processo de raciocínio, o erro consistentemente acontece. Isso é exatamente o tipo de informação que viabiliza feedback pedagógico verdadeiramente individualizado: não "você errou esta questão", mas "você consistentemente subestima a gravidade de quadros respiratórios na fase inicial da anamnese".
O abandono de uma atividade em um ponto específico também carrega sinal pedagógico: pode indicar dificuldade técnica de navegação, mas pode igualmente indicar um ponto de bloqueio conceitual que merece atenção docente direcionada.
O que as instituições podem fazer com esses dados
Apesar do volume crescente de evidência acadêmica sobre o potencial desses dados, a literatura também é clara sobre uma lacuna persistente: a maior parte das instituições que coletam dados de uso de plataformas digitais não os analisa de forma sistemática para informar decisões pedagógicas. Os dados existem (frequentemente armazenados em sistemas de gestão de aprendizagem) mas raramente são transformados em ação concreta sobre o currículo, sobre o suporte individualizado a estudantes ou sobre o desenho de novos conteúdos (3).
Esse hiato entre dado disponível e dado utilizado representa uma oportunidade significativa e ainda pouco explorada. Instituições com acesso a esse tipo de informação poderiam, por exemplo: identificar precocemente padrões de dificuldade recorrente em turmas inteiras, não apenas em estudantes individuais, e ajustar a ênfase curricular em conteúdos sistematicamente subestimados; usar dados de abandono de atividades para revisar o desenho pedagógico de módulos com baixa retenção de engajamento; e oferecer feedback individualizado fundamentado em padrões reais de interação, não apenas em resultados pontuais de avaliação.
A literatura recente também destaca o valor desses dados não apenas para o docente, mas para o próprio estudante: ao ter acesso a uma visão estruturada de seus próprios padrões de estudo, o estudante pode reconhecer pontos fracos, ajustar hábitos de revisão e gerenciar seu tempo de forma mais consciente, um uso de learning analytics orientado à autorregulação da aprendizagem, e não apenas ao monitoramento institucional (4).
O dado como insumo pedagógico, não apenas como métrica de uso
A diferença entre uma instituição que apenas acumula dados de uso e uma que efetivamente aprende com eles está na disposição de tratar esses rastros digitais como insumo pedagógico, não apenas como indicador de adoção tecnológica. Plataformas como o Clinical Case e o Anatomy App geram, a cada interação do estudante, dados sobre o processo de raciocínio, sobre as estruturas mais revisitadas e sobre os pontos de maior dificuldade, informação que, analisada com critério, pode informar decisões curriculares muito além do que qualquer relatório de uso superficial revela.
Quer entender como sua instituição pode aproveitar melhor os dados de engajamento gerados pelas plataformas digitais já em uso? Fale com a equipe MedRoom e explore como transformar rastros de uso em decisões curriculares fundamentadas.
(1) SAQR, M. A literature review of empirical research on learning analytics in medical education. International Journal of Health Sciences (Qassim), v. 12, n. 2, p. 80–85, mar.-abr. 2018. PMCID: PMC5870333. PMID: 29599699. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC5870333/
(2) CHAN, A. K. M.; BOTELHO, M. G.; LAM, O. L. T. Use of Learning Analytics Data in Health Care–Related Educational Disciplines: Systematic Review. Journal of Medical Internet Research, v. 21, n. 2, p. e11241, 13 fev. 2019. DOI: 10.2196/11241. PMID: 30758291. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC6391646/
(3) KAMATH, S. G.; NAYAK, K. R.; NAYAK, V.; VERMA, S. Leveraging learning management systems in medical education: a scoping review of use, outcomes, and improvement pathways. Medical Education Online, v. 30, n. 1, p. 2603805, 16 dez. 2025. DOI: 10.1080/10872981.2025.2603805. PMID: 41402987. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC12713214/
(4) TOOFANINEJAD, E.; DAWSON, S.; SOHRABI, S.; KALANTARION, M. Exploring the Transformative Potential of Learning Analytics in Medical Education: A Systematic Review. Journal of Advances in Medical Education and Professionalism, v. 13, n. 1, p. 12–24, 1 jan. 2025. DOI: 10.30476/jamp.2024.103973.2034. PMID: 39906079. Disponível em: https://pmc.ncbi.nlm.nih.gov/articles/PMC11788773/
