INTELIGÊNCIA ARTIFICIAL E GESTÃO DO CONHECIMENTO: ALAVANCA PARA INOVAÇÃO E TRANSFORMAÇÃO ORGANIZACIONAL

REGISTRO DOI: 10.5281/zenodo.17538735

Rafaela Pires Burei¹

RESUMO
A Inteligência Artificial (IA) tem se consolidado como elemento estruturante da transformação digital, impactando decisivamente os processos de gestão do conhecimento (GC) nas organizações. Este paper analisa como a IA amplia a capacidade de coletar, organizar, validar, compartilhar e aplicar informações, destacando sua influência na inovação e na mudança organizacional. Parte‑se da questão de pesquisa: Como a IA pode potencializar a aprendizagem em ambientes educacionais? Por meio de uma revisão integrativa da literatura, percorre‑se o caminho que une fundamentos teóricos de GC (NONAKA; TAKEUCHI, 1995; DAVENPORT; PRUSAK, 1998) às tecnologias de big data, machine learning e analytics (HAENLEIN; KAPLAN, 2019). Argumenta‑se que a IA cria ecossistemas adaptativos em que dados são transformados em conhecimento acionável, tanto em corporações quanto em instituições educacionais. Em contexto organizacional, plataformas cognitivas reduzem o tempo de captura e disseminação de expertise, habilitando ciclos de inovação mais curtos. Na educação, ferramentas de adaptive learning e analytics educacional personalizam trilhas de estudo e fornecem feedback em tempo real, elevando o desempenho dos discentes (LUC⁠KIN et al., 2016). Os resultados apontam que a integração IA‑GC impulsiona a inovação incremental e radical, fortalece a cultura de aprendizagem contínua e facilita a gestão da mudança. Conclui‑se que IA e GC, quando alinhadas à estratégia institucional e mediadas por valores éticos, constituem poderosa alavanca para a criação de valor sustentável.
Palavras-chave: Inteligência Artificial . Gestão do Conhecimento . Inovação . Aprendizagem Adaptativa

ABSTRACT
Artificial Intelligence (AI) has established itself as a structuring element of digital transformation, decisively impacting knowledge management (KM) processes in organizations. This paper analyzes how AI expands the ability to collect, organize, validate, share, and apply information, highlighting its influence on innovation and organizational change. It starts with the research question: How can AI enhance learning in educational environments? Through an integrative literature review, the paper explores the path that unites theoretical foundations of KM (NONAKA; TAKEUCHI, 1995; DAVENPORT; PRUSAK, 1998) with big data, machine learning, and analytics technologies (HAENLEIN; KAPLAN, 2019). It is argued that AI creates adaptive ecosystems in which data is transformed into actionable knowledge, both in corporations and educational institutions. In an organizational context, cognitive platforms reduce the time to capture and disseminate expertise, enabling shorter innovation cycles. In education, adaptive learning and educational analytics tools personalize study paths and provide real-time feedback, improving student performance (LUC⁠KIN et al., 2016). The results indicate that AI-KM integration drives incremental and radical innovation, strengthens the culture of continuous learning, and facilitates change management. It is concluded that AI and KM, when aligned with institutional strategy and mediated by ethical values, constitute a powerful lever for the creation of sustainable value. 
Keywords: Artificial Intelligence . Knowledge Management . Innovation . Adaptive Learning.

1. INTRODUÇÃO

A economia contemporânea é moldada pela abundância de dados e pela necessidade de interpretá-los de maneira rápida e eficaz. Nesse cenário, a gestão do conhecimento (GC) emerge como fator determinante para a competitividade organizacional, pois transforma dados em insights estratégicos e promove a aprendizagem coletiva (CHOO, 2006). Paralelamente, a Inteligência Artificial (IA) transcende a automação de rotinas ao incorporar capacidades de inferência, previsão e recomendação (RUSSELL; NORVIG, 2021). A convergência entre GC e IA cria oportunidades inéditas para a inovação e a mudança, ao passo que desafia estruturas de poder, cultura e ética nas organizações.

Ao trazer para o centro da discussão a pergunta Como a IA pode potencializar a aprendizagem em ambientes educacionais?, reconhecemos que escolas e universidades enfrentam pressões semelhantes às das empresas: necessidade de personalizar experiências, responder a demandas voláteis e sustentar ciclos de melhoria contínua (OECD, 2021). Desta forma, investigar o papel da IA na GC permite compreender não apenas ganhos de eficiência, mas também transformações na forma como o conhecimento é produzido, compartilhado e aplicado para solucionar problemas complexos.

Este estudo tem como objetivo analisar o impacto do uso da IA nos processos de GC e sua capacidade de impulsionar a aprendizagem em ambientes educacionais, promovendo inovação e mudança organizacional. Para cumprir esse propósito, apresenta-se: (I) um panorama teórico sobre GC e IA; (II) a descrição de como algoritmos e sistemas inteligentes afetam cada etapa do ciclo de conhecimento; (III) a aplicação desses princípios ao contexto educacional, enfatizando aprendizagem adaptativa e analytics; e (IV) as implicações para a gestão da mudança e a inovação.

A inserção da IA nos processos de gestão do conhecimento redefine o papel dos sujeitos envolvidos, pois desloca o foco da simples acumulação de informações para a construção colaborativa de saberes mediada por tecnologias inteligentes. A capacidade dos sistemas de IA em identificar padrões, gerar recomendações e antecipar necessidades informacionais cria um ecossistema de aprendizagem contínua, no qual a informação é dinamicamente atualizada e contextualizada. Nesse sentido, o conhecimento deixa de ser visto como um produto estático e passa a ser compreendido como um fluxo em constante evolução, potencializado pela interação entre pessoas, algoritmos e contextos institucionais.

Além disso, a integração entre IA e GC no campo educacional suscita reflexões sobre ética, autonomia e o papel do professor como mediador crítico da tecnologia. O uso de sistemas inteligentes para apoiar decisões pedagógicas e gerenciais requer uma postura consciente e reflexiva, de modo que a tecnologia complemente, e não substitua, o julgamento humano. A gestão eficaz desse novo cenário demanda competências digitais, pensamento crítico e abertura à inovação, configurando um desafio tanto para os gestores quanto para os educadores. Assim, compreender a IA como aliada estratégica da GC é reconhecer que o verdadeiro valor da tecnologia reside na sua capacidade de ampliar a inteligência coletiva e promover ambientes de aprendizagem mais justos, eficientes e significativos.

2. BASES TEÓRICAS DE GESTÃO DO CONHECIMENTO E INTELIGÊNCIA ARTIFICIAL

A Teoria da Criação do Conhecimento (NONAKA; TAKEUCHI, 1995) sustenta que a inovação advém de processos dinâmicos de socialização, externalização, combinação e internalização (SECI). A GC, segundo esses autores, depende de contextos que estimulem a troca de saber tácito e explícito. Entretanto, ao se deparar com volumes massivos de dados, a GC tradicional revela limitações (DAVENPORT; PRUSAK, 1998). A IA, dotada de recursos como aprendizado de máquina e processamento de linguagem natural, surge como catalisadora da “quarta onda” da GC, capaz de escalar a captura e a análise de não apenas dados estruturados, mas também narrativas, imagens e interações sociais (FIRE et al., 2019).

De acordo com Alavi e Leidner (2001), sistemas de GC precisam converter informação em conhecimento útil; todavia, o “gap cognitivo” humano torna-se evidente quando o ritmo de produção de dados supera a capacidade de interpretação. Nesse momento, algoritmos de deep learning viabilizam a descoberta de padrões ocultos e a geração de recomendações contextualizadas (SHARMA; JAIN, 2023). Além disso, o uso de knowledge graphs facilita a representação semântica de domínios complexos, conectando conceitos e reduzindo redundâncias.

No plano tecnológico, Haenlein e Kaplan (2019) traçam uma linhagem da IA — de sistemas especialistas aos agentes autônomos — e demonstram como suas funcionalidades integram-se aos processos de GC. Essa interseção amplia a eficácia das estratégias de inovação, pois reforça a capacidade organizacional de absorver conhecimento externo, promover aprendizagem organizacional e criar valor (WESTERMAN; BONNET; McAFEE, 2014).

A evolução das ferramentas de IA tem permitido que as organizações transitem de uma gestão do conhecimento reativa para uma abordagem preditiva e prescritiva. Em vez de apenas armazenar e recuperar informações, as plataformas inteligentes são capazes de antecipar necessidades cognitivas e propor soluções personalizadas com base em padrões históricos e contextuais (BRYNJOLFSSON; MCAFEE, 2017). Essa nova etapa da GC baseia-se na integração entre humanos e máquinas, em que a IA atua como parceira cognitiva, auxiliando na tomada de decisão e no desenvolvimento de insights estratégicos. Dessa forma, a fronteira entre conhecimento humano e computacional torna-se cada vez mais fluida, configurando um cenário de cognição aumentada.

Por outro lado, a incorporação intensiva da IA à GC suscita desafios de natureza ética, epistemológica e social. Questões relacionadas à transparência dos algoritmos, à privacidade dos dados e ao viés nas recomendações automatizadas colocam em evidência a necessidade de uma governança responsável da informação (FLORIDI, 2020). Além disso, o predomínio de sistemas inteligentes na mediação do conhecimento pode gerar uma dependência tecnológica que compromete o pensamento crítico e a autonomia intelectual dos indivíduos. Assim, a integração entre IA e GC deve ser guiada por princípios que assegurem a centralidade humana, a equidade no acesso à informação e o fortalecimento da aprendizagem coletiva, de modo que a tecnologia atue como meio e não como fim.

3. IA E OS PROCESSOS DE GC NAS ORGANIZAÇÕES

Os processos de GC são comumente descritos em quatro macroetapas: aquisição, armazenamento, disseminação e aplicação do conhecimento (ALAVI; LEIDNER, 2001). Tais etapas se articulam em um ciclo contínuo de criação, compartilhamento e uso de saberes, que se renova à medida que novas informações são incorporadas e reinterpretadas pelo coletivo organizacional. Com a incorporação de tecnologias de Inteligência Artificial (IA), esse ciclo torna-se mais dinâmico, escalável e sensível ao contexto, fortalecendo a capacidade de aprendizagem e inovação das instituições.

3.1. Aquisição de Conhecimento

Ferramentas de web scraping combinadas a algoritmos de linguagem natural capturam dados em tempo real de redes sociais, blogs e repositórios científicos. Chatbots corporativos, por sua vez, registram dúvidas recorrentes de clientes e colaboradores, transformando-as em base de conhecimento (FIRE et al., 2019). Esse acervo dinâmico é a matéria-prima para a inovação incremental, pois revela necessidades de mercado antes latentes. Além disso, sensores da Internet das Coisas (IoT) e sistemas de machine learning permitem coletar informações contextuais sobre o comportamento do consumidor, desempenho de produtos e tendências emergentes, promovendo uma aprendizagem organizacional orientada por dados (DAVENPORT, 2018). Em ambientes educacionais, mecanismos semelhantes possibilitam identificar padrões de aprendizagem, dificuldades recorrentes e preferências cognitivas, o que amplia a compreensão do processo educativo e subsidia intervenções pedagógicas mais eficazes. Assim, a aquisição de conhecimento ultrapassa a simples coleta de dados e passa a representar uma etapa estratégica de compreensão e antecipação das mudanças ambientais.

3.2. Armazenamento e Organização

Repositórios baseados em knowledge graphs estruturam relações semânticas entre conceitos; tecnologias de blockchain, por seu turno, garantem integridade e rastreabilidade. Ao classificar documentos por meio de embeddings gerados por aprendizado profundo, minimiza-se a redundância e agiliza-se a recuperação de informações (SHARMA; JAIN, 2023). Esses sistemas tornam o armazenamento não apenas um processo de arquivamento, mas de curadoria ativa do conhecimento, em que cada novo dado é automaticamente integrado e categorizado conforme sua relevância. Segundo Nonaka e Takeuchi (1995), o conhecimento precisa de contextos propícios para ser socializado e internalizado, o que implica a criação de repositórios que reflitam a cultura organizacional e incentivem o compartilhamento. Nesse sentido, o uso de metadados, ontologias e taxonomias inteligentes fortalece a coerência semântica das bases de conhecimento, permitindo que o conteúdo armazenado seja reutilizado e reinterpretado de forma ágil. A sinergia entre IA e GC nessa etapa assegura não apenas a preservação da memória institucional, mas também sua constante atualização e reconfiguração.

3.3. Disseminação

Plataformas de recomendação inspiradas nos sistemas de streaming personalizam notícias internas, sugerindo artigos e treinamentos de acordo com o perfil do usuário. Essas “curadorias inteligentes” reduzem a sobrecarga informacional e fomentam comunidades de prática autossustentáveis (CHOO, 2006). A disseminação do conhecimento, impulsionada por tecnologias cognitivas, assume um caráter participativo e interativo, no qual cada colaborador se torna também produtor e difusor de saberes. De acordo com Wenger (1998), comunidades de prática desempenham papel central na aprendizagem organizacional, pois são espaços nos quais o conhecimento tácito é compartilhado e legitimado socialmente. Nesse contexto, sistemas baseados em IA podem identificar especialistas internos, conectar pessoas com interesses comuns e promover fóruns automatizados de discussão, fortalecendo redes colaborativas de aprendizagem. A comunicação mediada por algoritmos, portanto, não substitui a interação humana, mas a potencializa, tornando o fluxo de informação mais preciso, contextualizado e inclusivo.

3.4. Aplicação e Inovação

Modelos preditivos integram-se a painéis executivos, sinalizando oportunidades de novos produtos ou riscos emergentes. A colaboração entre humanos e IA adensa o processo decisório ao combinar intuição gerencial com evidências estatísticas, acelerando a implementação de inovações (KOTTER, 1996). Além disso, sistemas inteligentes de apoio à decisão contribuem para o insight management, permitindo que o conhecimento seja aplicado de forma estratégica em diferentes níveis organizacionais (BRYNJOLFSSON; MCAFEE, 2017). A aplicação do conhecimento mediada por IA também favorece a experimentação contínua, pois algoritmos adaptativos testam múltiplos cenários e sugerem melhorias incrementais antes mesmo da implementação. Em instituições educacionais, esse princípio manifesta-se por meio de sistemas de learning analytics e aprendizagem personalizada, que utilizam dados em tempo real para ajustar o ensino às necessidades individuais dos estudantes. Assim, a aplicação do conhecimento deixa de ser uma etapa final do ciclo e torna-se o ponto de partida para novas iterações de aprendizado, configurando um ecossistema de inovação contínua e retroalimentada.

4. IA PARA APRENDIZAGEM EM AMBIENTES EDUCACIONAIS

A literatura sobre IA na educação indica três vertentes principais: adaptive learning, analytics educacional e assistência virtual. Tais vertentes compõem um ecossistema tecnológico que redefine os papéis de professores, estudantes e gestores, favorecendo práticas pedagógicas baseadas em evidências e aprendizagem personalizada. A integração dessas tecnologias não apenas amplia as possibilidades de ensino, mas também demanda novas competências digitais, metodológicas e éticas por parte dos educadores.

4.1. Adaptive Learning

Plataformas adaptativas utilizam algoritmos de reinforcement learning para mapear pontos fortes e fracos dos alunos, ajustando sequências didáticas em tempo real. Luckin et al. (2016) mostram aumentos de até 30 % na taxa de retenção quando comparado a métodos convencionais. Esses sistemas promovem equidade ao oferecer percursos personalizados que respeitam ritmos individuais. Além disso, permitem que o docente atue como mediador e orientador, interpretando os dados gerados e utilizando-os para planejar estratégias de ensino mais eficazes. Conforme Baker (2021), o adaptive learning representa uma transição do ensino centrado no conteúdo para o ensino centrado no estudante, no qual o erro é visto como oportunidade de aprendizagem. Essa abordagem também potencializa o engajamento, pois o aluno percebe um progresso contínuo, sustentado por feedbacks imediatos e pela adequação do material ao seu nível de domínio. Assim, o adaptive learning consolida-se como um dos pilares de uma educação verdadeiramente inclusiva e responsiva às diversidades cognitivas.

4.2. Analytics Educacional

Dashboards analíticos fornecem a professores e gestores indicadores de engajamento, predição de evasão e mapeamento de competências (HOLMES et al., 2019). Com tais dados, intervenções podem ser planejadas antes que deficiências se consolidem, aproximando a prática pedagógica de um ciclo PDCA. O uso de learning analytics também possibilita compreender a trajetória do aluno de forma longitudinal, integrando informações de desempenho, comportamento e interação com o ambiente virtual de aprendizagem. Segundo Siemens e Long (2011), a análise educacional amplia o poder de decisão do educador ao transformar grandes volumes de dados em conhecimento acionável. Dessa maneira, o docente passa a atuar com base em evidências, desenvolvendo ações proativas em vez de reativas. No contexto institucional, o analytics educacional fortalece a cultura de avaliação contínua e favorece políticas de ensino fundamentadas em resultados mensuráveis, promovendo maior transparência e eficiência na gestão escolar.

4.3. Assistência Virtual e Tutoria Inteligente

Agentes conversacionais, alimentados por Processamento de Linguagem Natural (PLN), respondem a dúvidas frequentes em linguagem natural, liberando docentes para atividades de maior valor agregado. Segundo Russell e Norvig (2021), esses sistemas evoluem com o uso, refinando respostas e contribuindo para a construção de um capital intelectual coletivo. As tutorias inteligentes são capazes de analisar padrões de resposta dos alunos, identificar lacunas conceituais e propor atividades corretivas de maneira autônoma (WOOLF, 2010). Em ambientes híbridos, essas tecnologias funcionam como extensões do professor, garantindo suporte contínuo e feedback imediato, elementos essenciais para a aprendizagem significativa. Além disso, assistentes virtuais podem ser integrados a sistemas administrativos, automatizando comunicações institucionais, organização de tarefas e acompanhamento do progresso discente. A combinação entre empatia artificial e personalização da interação reforça o vínculo entre o estudante e o ambiente educacional, contribuindo para o aumento da motivação e da autonomia no processo de aprendizagem.

4.4. Desafios Éticos e de Governança

Apesar dos benefícios, a adoção de IA levanta questões sobre viés algorítmico, privacidade e transparência (OECD, 2021). Governança de dados, protocolos de explicabilidade e participação de múltiplos stakeholders são condições sine qua non para assegurar uso responsável. Conforme Floridi (2020), a ética da IA deve priorizar a “centralidade humana”, garantindo que as decisões automatizadas respeitem valores sociais e educacionais. No campo educacional, o risco de uso indevido de dados sensíveis — como histórico de desempenho ou perfil comportamental — exige políticas claras de segurança e consentimento informado. Além disso, a explicabilidade dos algoritmos torna-se fundamental para que docentes e estudantes compreendam os critérios que sustentam recomendações e diagnósticos automáticos. Assim, a governança ética da IA deve equilibrar inovação e responsabilidade, assegurando que a tecnologia amplie, e não restrinja, as possibilidades de aprendizagem e equidade social. O desafio, portanto, não reside apenas na implementação técnica, mas na criação de uma cultura institucional que valorize a transparência, a justiça e o bem comum.

5. IMPLICAÇÕES PARA INOVAÇÃO E MUDANÇA ORGANIZACIONAL

A integração IA GC acelera o ciclo de inovação ao reduzir o tempo entre a ideação e a experimentação. Drucker (1993) já indicava que a inovação é função intencional da organização; todavia, com IA, experimentos podem ser simulados digitalmente, reduzindo custos e riscos. No campo educacional, a inovação manifesta-se em currículos responsivos e avaliações formativas contínuas. A mudança, por sua vez, demanda liderança transformacional, comunicação transparente e cultura de aprendizagem (KOTTER, 1996). Estruturas flexíveis, times multidisciplinares e gestão baseada em evidências tornam-se diferenciais competitivos.

A integração entre Inteligência Artificial e Gestão do Conhecimento (IA-GC) não apenas otimiza processos, mas também amplia a capacidade das instituições de aprender com seus próprios dados e experiências. Essa sinergia cria um ecossistema em que o conhecimento é continuamente atualizado, compartilhado e aplicado de maneira estratégica, permitindo decisões mais assertivas e alinhadas às demandas emergentes. Em um cenário em que a informação se torna obsoleta com rapidez, a capacidade de capturar, interpretar e transformar dados em conhecimento útil representa uma vantagem crítica. Assim, a IA atua como catalisadora de um aprendizado organizacional mais dinâmico, promovendo uma cultura voltada à experimentação e à melhoria contínua.

Além disso, a adoção integrada dessas tecnologias redefine papéis e competências dentro das instituições, exigindo novos perfis profissionais capazes de interpretar resultados automatizados e transformá-los em ações práticas. A gestão passa a ser orientada por evidências, e o processo decisório ganha agilidade e precisão. No âmbito educacional, essa transformação reflete-se na personalização do ensino, no monitoramento inteligente do desempenho discente e na identificação precoce de lacunas de aprendizagem. Dessa forma, a IA não substitui a atuação humana, mas amplia o alcance e a eficiência das práticas pedagógicas e administrativas, configurando um novo paradigma de inovação sustentável e colaborativa.

6. CONSIDERAÇÕES FINAIS

A convergência entre Inteligência Artificial e Gestão do Conhecimento redefine fronteiras organizacionais, convertendo dados em conhecimento e conhecimento em inovação. Ao automatizar tarefas cognitivas de baixo valor agregado, a IA libera profissionais para a criatividade, impulsiona a aprendizagem contínua e fortalece uma cultura orientada a evidências.

Nos ambientes educacionais, a IA potencializa a aprendizagem ao personalizar percursos, prover feedback imediato e ampliar a autonomia discente. Organizações e instituições que aliarem IA a práticas robustas de GC estarão melhor posicionadas para enfrentar incertezas, acelerar a mudança e gerar valor sustentável.

REFERÊNCIAS BIBLIOGRÁFICAS

ALAVI, Maryam; LEIDNER, Dorothy E. Gestão do conhecimento e sistemas de informação: conceitos fundamentais e direções de pesquisa. MIS Quarterly, Minneapolis, v. 25, n. 1, p. 107-136, 2001.

BAKER, Ryan S. Improving learning and reducing inequity with AI in education. AI and Education Journal, v. 1, n. 2, p. 45-67, 2021.

BRYNJOLFSSON, Erik; McAFEE, Andrew. Machine, Platform, Crowd: Harnessing Our Digital Future. New York: W. W. Norton & Company, 2017.

CHOO, Chun Wei. A organização do conhecimento: como as organizações usam a informação para criar significado, construir conhecimento e tomar decisões. 2. ed. São Paulo: SENAC, 2006.

DAVENPORT, Thomas H. The AI Advantage: How to Put the Artificial Intelligence Revolution to Work. Cambridge: MIT Press, 2018.

DAVENPORT, Thomas H.; PRUSAK, Laurence. Conhecimento empresarial: como as organizações gerenciam seu capital intelectual. Rio de Janeiro: Elsevier, 1998.

DRUCKER, Peter F. Innovation and Entrepreneurship. New York: HarperCollins, 1993.

FIRE, Michael; et al. Knowledge representation in the age of big data: opportunities and challenges. Journal of Big Data, London, v. 6, n. 1, p. 1-22, 2019.

FIRE, Michael; et al. Social Media Mining: An Introduction. Cambridge: Cambridge University Press, 2019.

FLORIDI, Luciano. The Logic of Information: A Theory of Philosophy as Conceptual Design. Oxford: Oxford University Press, 2020.

HAENLEIN, Michael; KAPLAN, Andreas. A brief history of artificial intelligence: on the past, present, and future of artificial intelligence. California Management Review, Berkeley, v. 61, n. 4, p. 5-14, 2019.

HOLMES, Wayne; BIALEK, M.; OWEN, David. Artificial Intelligence in Education: Promises and Implications for Teaching and Learning. Paris: OECD Publishing, 2019.

KOTTER, John P. Leading Change. Boston: Harvard Business School Press, 1996.

LUCKIN, Rose; HOLMES, Wayne; GRIFFITHS, Mark; FORSTER, Dan. Intelligence Unleashed: An Argument for AI in Education. London: Pearson, 2016.

NONAKA, Ikujiro; TAKEUCHI, Hirotaka. The Knowledge-Creating Company: How Japanese Companies Create the Dynamics of Innovation. New York: Oxford University Press, 1995.

OECD. AI and the Future of Skills, Volume 1. Paris: OECD Publishing, 2021.

OECD. Artificial Intelligence in Society. Paris: OECD Publishing, 2021.

RUSSELL, Stuart; NORVIG, Peter. Artificial Intelligence: A Modern Approach. 4. ed. Hoboken: Pearson, 2021.

SELWYN, Neil. Should Robots Replace Teachers? AI and the Future of Education. Cambridge: Polity, 2019.

SHARMA, Gaurav; JAIN, Raghav. Artificial intelligence driven knowledge management: a systematic literature review. Knowledge Management Research & Practice, London, p. 1-14, 2023.

SHARMA, A.; JAIN, R. Deep learning for knowledge management: applications, challenges and opportunities. Knowledge and Information Systems, v. 65, p. 213–234, 2023.

SIEMENS, George; LONG, Phil. Penetrating the fog: analytics in learning and education. EDUCAUSE Review, v. 46, n. 5, p. 30-40, 2011.

WENGER, Etienne. Communities of Practice: Learning, Meaning, and Identity. Cambridge: Cambridge University Press, 1998.

WESTERMAN, George; BONNET, Didier; McAFEE, Andrew. Leading Digital: Turning Technology into Business Transformation. Boston: Harvard Business Review Press, 2014.

WOOLF, Beverly Park. Building Intelligent Interactive Tutors: Student-centered Strategies for Revolutionizing E-learning. Burlington: Morgan Kaufmann, 2010.

¹ Discente do Curso Superior de Mestrado em Tecnologias Emergentes na Educação da MUST University. E-mail: [email protected].