ENGENHARIA DE SOFTWARE GENERATIVA/DETERMINÍSTICA

PEDAGOGIA COM SISTEMAS MULTIAGENTES LOCAIS GERENCIANDO CARGAS COGNITIVAS/COMPUTACIONAIS

Visualizações: 7

Autores

  • Hélio Craveiro Pessoa Júnior Universidade de Brasília

DOI:

https://doi.org/10.56579/rei.v8i3.3644

Palavras-chave:

Educação em Engenharia de software, Sistemas Multiagente Locais, Carga Cognitiva, Carga Computacional, Estratégias Pedagógicas

Resumo

A integração de sistemas inteligentes desafia a educação em desenvolvimento de software. Políticas atuais negligenciam a complexidade de tecnologias emergentes, como o ajuste fino de modelos com baixo uso de memória e a orquestração de múltiplos modelos inteligentes locais, além das limitações significativas de recursos computacionais. Este estudo propõe um modelo pedagógico centrado na interdependência crítica entre o esforço mental do estudante e a demanda de processamento da máquina. Achados empíricos indicam que otimizar a demanda de processamento (ex: com quantização agressiva) pode elevar o esforço mental, e a complexidade de sistemas com múltiplos modelos inteligentes amplifica ambas as cargas. O modelo busca um "ponto ideal" pedagógico, onde uma demanda de processamento moderada (ex: quantização mais estável) minimiza o esforço mental, com adaptação à experiência do aluno. Visa desenvolver metacognição para gerenciar esses compromissos em tarefas complexas, especialmente com hardware restrito. Estratégias didáticas incluem sequenciamento progressivo, atividades comparativas e execução assíncrona para alta demanda de processamento, com resultados gerenciados reflexivamente. Ferramentas de apoio, como a plataforma CCLOLMAS (disponível em https://github.com/cclolmas/app), tornam essa dinâmica visível. O objetivo é reformular currículos, alinhando a formação às demandas da indústria e capacitando estudantes a gerenciar efetivamente esses compromissos essenciais na prática profissional.

Downloads

Não há dados estatísticos.

Biografia do Autor

Hélio Craveiro Pessoa Júnior, Universidade de Brasília

Aluno do Programa de Pós-Graduação em Educação – Modalidade Profissional da Universidade de Brasília (UnB). Brasil, Distrito Federal, Brasília.

Referências

AFRIN, S. et al. Resource-Efficient & Effective Code Summarization. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2502.03617. Acesso em: 20 abr. 2025.

AHMADI, A.; SHARIF, S.; BANAD, Y. M. MCP Bridge: A Lightweight, LLM-Agnostic RESTful Proxy for Model Context Protocol Servers. [S. l.]: arXiv,

Disponível em: https://arxiv.org/abs/2504.08999. Acesso em: 20 abr. 2025.

AMERSHI, S. et al. Guidelines for Human-AI Interaction. In: CHI CONFERENCE ON HUMAN FACTORS IN COMPUTING SYSTEMS (CHI ’19), 2019, Glasgow. Proceedings [...]. New York: ACM, 2019. p. 1–13. DOI: 10.1145/3290605.3300233. Disponível em: https://doi.org/10.1145/3290605.3300233. Acesso em: 20 abr. 2025.

ANDREWS, G. R. Foundations of Multithreaded, Parallel, and Distributed Programming. Reading, MA: Addison-Wesley, 2000.

AYUPOV, S.; CHIRKOVA, N. Parameter-efficient finetuning of transformers for source code. [S. l.]: arXiv, 2022. Disponível em: https://arxiv.org/abs/2212.05901. Acesso em: 20 abr. 2025.

BAI, G. et al. Beyond Efficiency: A Systematic Survey of Resource-Efficient Large Language Models. [S. l.]: arXiv, 2024. Disponível em: https://arxiv.org/abs/2401.00625. Acesso em: 20 abr. 2025

BEN-ARI, M. Principles of Concurrent and Distributed Programming. 2. ed. Harlow: Addison-Wesley, 2006.

BIRD, S. et al. Taking Flight with Copilot: Early Insights and Opportunities of Large Language Models in Programming Education. In: ACM TECHNICAL SYMPOSIUM ON COMPUTER SCIENCE EDUCATION (SIGCSE '22), 2022, Providence. Proceedings [...]. New York: ACM, 2022. p. 1032–1032. DOI: 10.1145/3478431.3499901.

BIRKMOSE, R. et al. On-Device LLMs for Home Assistant: Dual Role in Intent Detection and Response Generation. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2502.12923. Acesso em: 20 abr. 2025.

BRASIL. Lei nº 13.005, de 25 de junho de 2014. Aprova o Plano Nacional de Educação - PNE e dá outras providências. Diário Oficial da União: seção 1, Brasília, DF, ed. extra, p. 1, 26 jun. 2014. Disponível em: http://www.planalto.gov.br/ccivil_03/_ato2011-2014/2014/lei/l13005.htm. Acesso em: 25 abr. 2025.

BRASIL. [Ministério da Educação]. Países dos Brics discutem avaliação da educação superior. Brasília, DF: MEC, 2025. Disponível em: https://www.gov.br/mec/pt-br/assuntos/noticias/2025/abril/paises-dos-brics-discutem-avaliacao-da-educacao-superior. Acesso em: 3 maio 2025.

BRASIL. Conselho Nacional de Educação. Câmara de Educação Superior. Resolução CNE/CES nº 5, de 16 de novembro de 2016. Institui as Diretrizes Curriculares Nacionais para os cursos de graduação na área da Computação [...]. Brasília, DF: MEC, 2016. Disponível em: http://portal.mec.gov.br/docman/novembro-2016-pdf/52101-rces005-16-pdf/file. Acesso em: 25 abr. 2025.

BRASIL. Conselho Nacional de Educação. Câmara de Educação Superior. Resolução CNE/CES nº 2, de 24 de abril de 2019. Institui as Diretrizes Curriculares Nacionais do Curso de Graduação em Engenharia. Diário Oficial da União: seção 1, Brasília, DF, p. 42, 26 abr. 2019. Disponível em: http://portal.mec.gov.br/index.php?option=com_docman&view=download&alias=112091-rces002-19&category_slug=abril-2019-pdf&Itemid=30192. Acesso em: 25 abr. 2025.

BRASIL. Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Diretrizes comuns da Avaliação de Permanência dos Programas de Pós-Graduação stricto sensu: Ciclo avaliativo 2025-2028, Avaliação Quadrienal 2029. Brasília, DF: CAPES, 2025. DOI 10.21713/Diretrizescomuns. Disponível em: https://uploads.capes.gov.br/files/2025-05-02_DocumentoReferencial_FICHA.pdf. Acesso em: 3 maio 2025.

BRASIL. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Relatório do 2º Ciclo de Monitoramento das Metas do Plano Nacional de Educação 2022. Brasília, DF: INEP, 2023. Disponível em: https://www.gov.br/inep/pt-br/areas-de-atuacao/pesquisas-estatisticas-e-indicadores/pne/monitoramento-continuo. Acesso em: 25 abr. 2025.

BRASIL. Ministério da Educação. Conferência Nacional de Educação (CONAE) 2024. Brasília, DF: MEC, 2024. Disponível em: https://www.gov.br/mec/pt-br/acesso-a-informacao/participacao-social/conferencias/conae-2024. Acesso em: 20 abr. 2025.

CASPERSEN, M. E.; BENNEDSEN, J. Instructional design of programming education: a learning theoretic approach. ACM SIGCSE Bulletin, v. 39, n. 4, p. 111-124, Dec. 2007. DOI: 10.1145/1345375.1345413.

CHASE, W. G.; SIMON, H. A. Perception in chess. Cognitive Psychology, v. 4, n. 1, p. 55-81, 1973. DOI: 10.1016/0010-0285(73)90004-2. Disponível em: https://doi.org/10.1016/0010-0285(73)90004-2. Acesso em: 20 abr. 2025.

CHEN, D. et al. Overthinking Leads to Errors: Mitigating Overthinking in Large Language Models through Task Difficulty Calibration. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.13367. Acesso em: 24 abr. 2025.

DENNING, P. J.; TEDRE, M. Computational Thinking. Cambridge, MA: MIT Press, 2019.

DETTMERS, T. et al. Qlora: Efficient finetuning of quantized llms. Advances in Neural Information Processing Systems, v. 36, 2023. Disponível em: https://proceedings.neurips.cc/paper_files/paper/2023/hash/6a4d5956f508541689d0e5c5a878e074-Abstract-Conference.html. Acesso em: 20 abr. 2025.

DURAN, R.; ZAVGORODNIAIA, A.; SORVA, J. Cognitive Load Theory in Computing Education Research: A Review. ACM Transactions on Computing Education, v. 22, n. 4, art. 40, p. 1–27, 2022. DOI: 10.1145/3532776. Disponível em: https://doi.org/10.1145/3532776. Acesso em: 20 abr. 2025.

ENGESTROM, Y. Learning by expanding: An activity-theoretical approach to developmental research. Helsinki: Orienta-Konsultit, 1987.

FERRAG, Mohamed Amine; TIHANYI, Norbert; DEBBAH, Merouane. From LLM Reasoning to Autonomous AI Agents: A Comprehensive Review. [S. l.]: arXiv, 28 abr. 2025. Disponível em: https://arxiv.org/pdf/2504.19678. Acesso em: 5 maio 2025.

FLORIDI, L.; TADDEO, M. What is data ethics? Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, v. 374, n. 2083, p. 20160360, 2016. DOI: 10.1098/rsta.2016.0360. Disponível em: https://doi.org/10.1098/rsta.2016.0360. Acesso em: 20 abr. 2025.

GAO, Xin et al. A Strategic Coordination Framework of Small LLMs Matches Large LLMs in Data Synthesis. [S. l.]: arXiv, 21 abr. 2025. Disponível em: https://arxiv.org/html/2504.12322v2. Acesso em: 5 maio 2025.

GHOSH, D. P. Agentic ecosystem in engineering design: a framework for interoperable legacy tools and emergent collaboration via MCP/A2A protocols. Kolkata: Engineering

Design & Research Center, Larsen & Toubro Construction, 2025. Disponível em: https://www.researchgate.net/publication/390953589. Acesso em: 20 abr. 2025.

GHOSH, Dibya; GHOSH, Dyuti; GHOSH, Debi Prasad. Think in Arrows: A Categorical Scaffolding Framework for Robust Artificial Scientific Discovery. [S. l.]: ResearchGate, abr. 2025. Preprint. DOI: 10.13140/RG.2.2.16950.41280. Acesso em: 5 maio 2025.

GKINTONI, E. et al. Challenging Cognitive Load Theory: The Role of Educational Neuroscience and Artificial Intelligence in Redefining Learning Efficacy. Brain Sciences, v. 15, n. 2, p. 203, 2025. DOI: 10.3390/brainsci15020203. Disponível em: https://doi.org/10.3390/brainsci15020203. Acesso em: 20 abr. 2025.

HASSAN, Ahmed E. et al. Rethinking Software Engineering in the Era of Foundation Models: A Curated Catalogue of Challenges in the Development of Trustworthy FMware. In: INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING COMPANION (ICSE '24 Companion), 2024, Lisbon. Proceedings [...]. New York: ACM, 2024. p. 1010-1019. DOI: 10.1145/3663529.3663849.

HEER, J. Agency plus automation: Designing artificial intelligence into interactive systems. Proceedings of the National Academy of Sciences, v. 116, n. 6, p. 1844-1850, 2019. DOI: 10.1073/pnas.1807180115. Disponível em: https://doi.org/10.1073/pnas.1807180115. Acesso em: 20 abr. 2025.

HMELO-SILVER, C. E. Problem-Based Learning: What and How Do Students Learn? Educational Psychology Review, v. 16, n. 3, p. 235-266, 2004. DOI: 10.1023/B:EDPR.0000034022.16470.f3.

HOC, J.-M. From human-machine interaction to human-machine cooperation. Ergonomics, v. 43, n. 7, p. 833-843, 2000. DOI: 10.1080/001401300409060. Disponível em: https://doi.org/10.1080/001401300409060. Acesso em: 20 abr. 2025.

HUSOM, E. J. et al. Sustainable LLM Inference for Edge AI: Evaluating Quantized LLMs for Energy Efficiency, Output Accuracy, and Inference Latency. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.03360. Acesso em: 20 abr. 2025.

HUTCHINS, E. Cognition in the Wild. Cambridge, MA: MIT Press, 1995.

JIA, F. et al. Scaling Up On-Device LLMs via Active-Weight Swapping Between DRAM and Flash. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.08378. Acesso em: 20 abr. 2025.

JIANG, A. Q. et al. Mistral 7B. [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2310.06825. Acesso em: 20 abr. 2025.

JOBIN, A.; IENCA, M.; VAYENA, E. The global landscape of AI ethics guidelines. Nature Machine Intelligence, v. 1, n. 9, p. 389-399, 2019. DOI: 10.1038/s42256-019-0088-2. Disponível em: https://doi.org/10.1038/s42256-019-0088-2. Acesso em: 20 abr. 2025.

KALYUGA, S. et al. The expertise reversal effect. Educational Psychologist, v. 38, n. 1, p. 23-31, 2003. DOI: 10.1207/S15326985EP3801_4. Disponível em: https://doi.org/10.1207/S15326985EP3801_4. Acesso em: 20 abr. 2025.

KIM, S. et al. SqueezeLLM: Dense-and-Sparse Quantization. [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2306.07629. Acesso em: 20 abr. 2025.

KIM, Y. et al. One ruler to measure them all: Benchmarking multilingual long-context language models. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2503.01996. Acesso em: 20 abr. 2025.

KOTALWAR, N.; GOTOVOS, A.; SINGLA, A. Hints-In-Browser: Benchmarking Language Models for Programming Feedback Generation. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2406.05053. Acesso em: 20 abr. 2025.

KUMAR, K. et al. LLM Post-Training: A Deep Dive into Reasoning Large Language Models. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2502.21321. Acesso em: 20 abr. 2025.

LEINONEN, J. et al. Using Large Language Models to Enhance Programming Education. In: ACM CONFERENCE ON INTERNATIONAL COMPUTING EDUCATION RESEARCH (ICER '23), 2023, Chicago. Proceedings [...]. New York: ACM, 2023. p. 1–15. DOI: 10.1145/3568813.3600141.

LI, R. et al. StarCoder: may the source be with you! [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2305.06161. Acesso em: 25 abr. 2025.

LIN, Kevin et al. Sleep-time Compute: Beyond Inference Scaling at Test-time. [S. l.]: arXiv, 17 abr. 2025. Preprint. Disponível em: https://arxiv.org/html/2504.13171v1. Acesso em: 3 maio 2025.

LIU, J.; SHA, C.; PENG, X. An empirical study of parameter-efficient fine-tuning methods for pre-trained code models. In: IEEE/ACM INTERNATIONAL CONFERENCE ON AUTOMATED SOFTWARE ENGINEERING (ASE), 38., 2023, Kirchberg. Proceedings [...]. Piscataway: IEEE, 2023. p. 397–408. DOI: 10.1109/ASE56229.2023.00041. Acesso em: 20 abr. 2025.

LIU, Na et al. From LLM to Conversational Agent: A Memory Enhanced Architecture with Fine-Tuning of Large Language Models. [S. l.]: arXiv, 30 jan. 2024. Disponível em: https://arxiv.org/pdf/2401.02777. Acesso em: 5 abr. 2025.

LIU, Y. et al. AgentBench: Evaluating LLMs as Agents. [S. l.]: arXiv, 2025b. Disponível em: https://arxiv.org/abs/2308.03688. Acesso em: 20 abr. 2025.

LUAN, H. et al. Who Needs to Learn Programming Nowadays? The Impact of AI on Programming Education. [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2305.10881. Acesso em: 25 abr. 2025.

LUO, J. et al. Large Language Model Agent: A Survey on Methodology, Applications and Challenges. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2503.21460. Acesso em: 20 abr. 2025.

MA, Hao et al. Coevolving with the Other You: Fine-Tuning LLM with Sequential Cooperative Multi-Agent Reinforcement Learning. [S. l.]: arXiv, 22 fev. 2025. Disponível em: https://arxiv.org/html/2410.06101v2. Acesso em: 5 maio 2025.

MARJANOVIC, S. V. et al. DeepSeek-R1 Thoughtology: Let’s about LLM reasoning. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.07128. Acesso em: 20 abr. 2025.

Educational Psychologist, v. 38, n. 1, p. 43-52, 2003. DOI: 10.1207/S15326985EP3801_6. Disponível em: https://doi.org/10.1207/S15326985EP3801_6. Acesso em: 20 abr. 2025.MAYER, R. E.; MORENO, R. Nine ways to reduce cognitive load in multimedia learning. Educational Psychologist, v. 38, n. 1, p. 43-52, 2003. DOI: 10.1207/S15326985EP3801_6. Disponível em: https://doi.org/10.1207/S15326985EP3801_6. Acesso em: 20 abr. 2025.

MHLANGA, D. The Role of Artificial Intelligence in Enhancing Education Quality in Developing Countries. Sustainability, v. 15, n. 15, p. 11608, 2023. DOI: 10.3390/su151511608.

MISHRA, P.; KOEHLER, M. J. Technological Pedagogical Content Knowledge: A framework for teacher knowledge. Teachers College Record, v. 108, n. 6, p. 1017–1054, Jun. 2006. DOI: 10.1111/j.1467-9620.2006.00684.x. Acesso em: 20 abr. 2025.

NAGEL, M. et al. A White Paper on Neural Network Quantization. [S. l.]: arXiv, 2021. Disponível em: https://arxiv.org/abs/2106.08295. Acesso em: 20 abr. 2025.

NI, J. et al. From Large to Super-Tiny: End-to-End Optimization for Cost-Efficient LLMs. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.13471. Acesso em: 24 abr. 2025.

NIELSEN, J. Usability Engineering. Boston: Academic Press, 1993.

NORMAN, D. A. The psychology of everyday things. New York: Basic Books, 1988.

OPENAI. A practical guide to building agents. OpenAI Business Guides and Resources, 2025. Disponível em: https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf. Acesso em: 20 abr. 2025.

PAAS, F. et al. Cognitive load measurement as a means to advance cognitive load theory. Educational Psychologist, v. 38, n. 1, p. 63-71, 2003. DOI: 10.1207/S15326985EP3801_8. Disponível em: https://doi.org/10.1207/S15326985EP3801_8. Acesso em: 20 abr. 2025.

PAHUNE, S.; AKHTAR, Z. Transitioning from MLOps to LLMOps: Navigating the Unique Challenges of Large Language Models. Information, v. 16, n. 2, 87, 2025. DOI: 10.3390/info16020087. Acesso em: 24 abr. 2025.

PERRY, N. et al. Do Users Write More Insecure Code with AI Assistants? [S. l.]: arXiv, 2022. Disponível em: https://arxiv.org/abs/2211.03622. Acesso em: 25 abr. 2025.

PICCOLO, F. et al. Exploring the Impact of Large Language Models on Novice Programming. In: ACM TECHNICAL SYMPOSIUM ON COMPUTER SCIENCE EDUCATION (SIGCSE '24), 2024, Portland. Proceedings [...]. New York: ACM, 2024. p. 100–106. DOI: 10.1145/3626252.3630901.

PU, X. et al. ThoughtTerminator: Benchmarking, Calibrating, and Mitigating Overthinking in Reasoning Models. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.13367. Acesso em: 24 abr. 2025.

QIAN, Y.; LEHMAN, J. Students' Misconceptions and Other Difficulties in Introductory Programming: A Literature Review. ACM Transactions on Computing Education (TOCE), v. 18, n. 1, p. 1-24, 2017. DOI: 10.1145/3077608.

RAY, Partha Pratim. A Survey on Model Context Protocol: Architecture, State-of-the-art, Challenges and Future Directions. [S. l.]: TechRxiv, 2025. Preprint. DOI: 10.36227/techrxiv.174495492.22752319. Acesso em: 5 maio 2025.

RETZLAFF, M. et al. Evaluating Large Language Models for HCI. [S. l.]: arXiv, 2024. Disponível em: https://arxiv.org/abs/2402.01811. Acesso em: 20 abr. 2025.

ROZIERE, B. et al. Code Llama: Open Foundation Models for Code. [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2308.12950. Acesso em: 25 abr. 2025.

SHUTE, V. J. Focus on Formative Feedback. Review of Educational Research, v. 78, n. 1, p. 153-189, 2008. DOI: 10.3102/0034654307313795.

SIDDIQ, M. A. et al. Generative AI in Software Engineering Education: A Systematic Literature Review. [S. l.]: arXiv, 2024. Disponível em: https://arxiv.org/abs/2401.10841. Acesso em: 25 abr. 2025.

SPIESS, C. et al. AutoPDL: Automatic Prompt Optimization for LLM Agents. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.04365. Acesso em: 24 abr. 2025.

SWELLER, J. Cognitive load theory, learning difficulty, and instructional design. Learning and Instruction, v. 4, n. 4, p. 295-312, 1994. DOI: 10.1016/0959-4752(94)90003-5. Acesso em: 20 abr. 2025.

SWELLER, J. Element interactivity and intrinsic, extraneous, and germane cognitive load. Educational Psychology Review, v. 22, n. 2, p. 123-138, 2010. DOI: 10.1007/s10648-010-9128-5. Acesso em: 20 abr. 2025.

-5. Acesso em: 20 abr. 2025.

SWELLER, J.; CHANDLER, P. Why some material is difficult to learn. Cognition and Instruction, v. 12, n. 3, p. 185-233, 1994. DOI: 10.1207/s1532690xci1203_1. Acesso em: 20 abr. 2025.

SWELLER, J.; VAN MERRIENBOER, J. J. G.; PAAS, F. Cognitive Architecture and Instructional Design. Educational Psychology Review, v. 10, n. 3, p. 251-296, 1998. DOI: 10.1023/A:1022193728205. Acesso em: 20 abr. 2025.

TANTITHAMTHAVORN, C. et al. MLOps, LLMOps, FMOps, and Beyond. IEEE Software, v. 42, n. 1, p. 26-32, jan./fev. 2025. DOI: 10.1109/MS.2024.3477014.

TATE, T. et al. ChatGPT and the Future of University Assessment. [S. l.]: EdArXiv, 2023. DOI: 10.35542/osf.io/562k3. Disponível em: https://edarxiv.org/562k3/. Acesso em: 25 abr. 2025.

THOMAS, J. W. A review of research on project-based learning. San Rafael, CA: Autodesk Foundation, 2000. Disponível em: http://www.bie.org/research/study/review_of_project_based_learning. Acesso em: 25 abr. 2025.

TRUONG, Q.-T. et al. Towards Automated Testing of LLM-based Applications: A Survey. [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2311.18119. Acesso em: 20 abr. 2025.

VAN MERRIENBOER, J. J. G.; SWELLER, J. Cognitive load theory and complex learning: Recent developments and future directions. Educational Psychology Review, v. 17, n. 2, p. 147-177, 2005. DOI: 10.1007/s10648-005-3951-0. Acesso em: 20 abr. 2025.

WANG, H. et al. Leveraging Reasoning Model Answers to Enhance Non-Reasoning Model Capability. [S. l.]: arXiv, 2025a. Disponível em: https://arxiv.org/abs/2504.09639. Acesso em: 20 abr. 2025.

WANG, Hongru et al. OTC: Optimal Tool Calls via Reinforcement Learning. [S. l.]: arXiv, 21 abr. 2025b. Disponível em: https://arxiv.org/html/2504.14870v1. Acesso em: 5 maio 2025.

WOOD, D.; BRUNER, J. S.; ROSS, G. The role of tutoring in problem solving. Journal of Child Psychology and Psychiatry, v. 17, n. 2, p. 89-100, 1976. DOI: 10.1111/j.1469-7610.1976.tb00381.x. Acesso em: 20 abr. 2025.

WU, T. et al. AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation Framework. [S. l.]: arXiv, 2023. Disponível em: https://arxiv.org/abs/2308.08155. Acesso em: 20 abr. 2025.

XIA, S. et al. Unlocking Deep Thinking in Language Models: Cognition Engineering through Inference Time Scaling and Reinforcement Learning. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2504.13828. Acesso em: 24 abr. 2025.

XINOGALOS, S. Cognitive Load in Computer Science Education: A Systematic Literature Review. IEEE Transactions on Learning Technologies, v. 14, n. 5, p. 648-664, Sept.-Oct. 2021. DOI: 10.1109/TLT.2021.3122001.

XU, W. Human-Centered AI. Boca Raton: CRC Press, 2019.

YAO, Z. et al. ZeroQuant: Efficient and Affordable Post-Training Quantization for Large-Scale Transformers. [S. l.]: arXiv, 2022. Disponível em: https://arxiv.org/abs/2206.01861. Acesso em: 20 abr. 2025.

YETISTIREN, B. et al. A Systematic Literature Review on the Use of Large Language Models in Software Engineering. [S. l.]: arXiv, 2024. Disponível em: https://arxiv.org/abs/2402.18551. Acesso em: 25 abr. 2025.

ZHANG, J.; NORMAN, D. A. Representations in distributed cognitive tasks. Cognitive Science, v. 18, n. 1, p. 87-122, 1994. DOI: 10.1207/s15516709cog1801_3. Acesso em: 20 abr. 2025.

ZHANG, T. et al. LLM-Orchestrator: Orchestrating Collaborative Large Language Models for Automated Software Engineering. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2402.16831. Acesso em: 20 abr. 2025.

ZHAO, P.; YAUN, X. GANQ: GPU-Adaptive Non-Uniform Quantization for Large Language Models. [S. l.]: arXiv, 2025. Disponível em: https://arxiv.org/abs/2501.12956. Acesso em: 20 abr. 2025.

ZIMMERMAN, B. J. Becoming a self-regulated learner: An overview. Theory Into Practice, v. 41, n. 2, p. 64-70, 2002. DOI: 10.1207/s15430421tip4102_2. Acesso em: 20 abr. 2025.

Downloads

Publicado

2026-05-31

Como Citar

Pessoa Júnior, H. C. (2026). ENGENHARIA DE SOFTWARE GENERATIVA/DETERMINÍSTICA: PEDAGOGIA COM SISTEMAS MULTIAGENTES LOCAIS GERENCIANDO CARGAS COGNITIVAS/COMPUTACIONAIS. REVISTA DE ESTUDOS INTERDISCIPLINARES, 8(3), 01–23. https://doi.org/10.56579/rei.v8i3.3644

Edição

v. 8 n. 3 (2026): REVISTA DE ESTUDOS INTERDISCIPLINARES

Seção

ARTIGOS

Licença

Copyright (c) 2026 REVISTA DE ESTUDOS INTERDISCIPLINARES

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

A Revista Estudos Interdisciplinares adota a licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0), que possibilita o compartilhamento e a adaptação do trabalho, incluindo fins comerciais, desde que seja feita a atribuição adequada e seja reconhecida a publicação original nesta revista.

 

Métricas