Developing Systems Thinking through AI in the Learning by Modeling approach in Basic Education

Authors

  • Paulo Vitor Teodoro Universidade Federal de Uberlândia, UFU
  • Paulo Salles Universidade de Brasília, UnB
  • Ricardo Gauche Universidade de Brasília, UnB

DOI:

https://doi.org/10.56117/resbenq.2026.v7.e072608

Keywords:

Artificial Intelligence, Modeling, Science Education

Abstract

This study presents the results of research that sought to demonstrate that the use and construction of simulation models, with AI techniques, can promote Systems Thinking in the classroom context in Science Education. To this end, we adopted Qualitative Reasoning (QR), an area of ​​AI, to represent phenomena in Natural Sciences that can be addressed in High School. We used Systems Dynamics as a theoretical basis for the development of Systems Thinking and the DynaLearn platform as a tool to build and simulate qualitative models. This platform allows visualization of causal relationships between components of a system and representations of mathematical functions for the calculation of qualitative values. Data collection involved qualitative (questionnaires) and quantitative (statistical analyses) research techniques. The results indicated that the participating high school students are able to represent natural phenomena with skills inherent to Systems Thinking through the construction of models. Furthermore, there were statistically significant differences in the students' understanding of complex systems, demonstrating the recognition of concepts necessary for systems thinking. The data suggests that the construction and manipulation of qualitative models, using a Learning by Modeling approach and from the perspective of Systems Dynamics, can develop fundamental skills in Science Education for Systems Thinking.

Author Biographies

Paulo Vitor Teodoro, Universidade Federal de Uberlândia, UFU

Licenciado em Química e Mestre em Ensino de Ciências e Matemática pela Universidade Federal de Uberlândia (UFU). É Doutor em Educação em Ciências pela Universidade de Brasília (UnB). Atuou como professor de Ciências e Química em escolas públicas e particulares da Educação Básica, com experiência no Ensino Fundamental, no Ensino Médio, na Educação Profissional Tecnológica e na Educação de Jovens e Adultos. Foi professor efetivo no Instituto Federal de Educação, Ciência e Tecnologia Goiano (IF Goiano), onde exerceu os cargos de Coordenador de Iniciação Científica e Tecnológica, Gerente de Pesquisa, Pós-Graduação e Inovação, Coordenador do Programa de Pós-Graduação (Lato Sensu) em Ensino de Ciências e Matemática e Coordenador Adjunto do Programa Novos Caminhos/MEC. Atualmente, é professor adjunto na UFU, onde integra o quadro de docentes permanentes do Programa de Pós-Graduação em Ensino de Ciências e Matemática (PPGECM) e do Programa de Pós-Graduação em Educação (PPGED). Tem experiência na área de Educação, discutindo principalmente os seguintes temas: práticas pedagógicas na educação básica, tecnologias educacionais e ensino de Ciências.

Paulo Salles, Universidade de Brasília, UnB

Graduado em Ciências Biológicas (Bacharelado em 1976; Licenciatura em 1982) e mestrado em Ecologia (1988), pela Universidade de Brasília (UnB). Em 1998, recebeu o grau de PhD em Ecologia pela Universidade de Edimburgo (Escócia). De 1989 a 1991, lecionou na Universidade Católica de Brasília; em 1991 ingressou no Instituto de Ciências Biológicas da UnB e, em 2014, aposentou-se como Professor Associado. Tem feito pesquisas em Ecologia, com foco em ecologia teórica, e no uso de técnicas de Inteligência Artificial (Raciocínio Qualitativo) na modelagem ecológica, em pesquisas científicas e na educação científica para estudantes de ensino superior e em educação continuada para professores de educação básica. Foi o co-Presidente brasileiro do comitê organizador (International Steering Committee - ISC) do 8º Fórum Mundial da Água, realizado em Brasília (2018). Foi membro do Colegiado de Governadores do Conselho Mundial da Água (World Water Council) e membro do Bureau (diretoria executiva) desse Colegiado (2019 - 2020). e, entre 2019 e 2022 foi membro do ISC do 9º Fórum Mundial da Água, realizado em Dakar, Senegal, 2022. Entre 2021 e 2022 atuou como consultor ambiental, prestando serviços para a empresa Nexos Ambientais Consultoria. Em 2023 foi nomeado Diretor do Departamento do Patrimônio Genético e de Cadeias Produtivas dos Biomas e da Amazônia, da Secretaria de Economia Verde, Descarbonização e Bioindústria, do Ministério do Desenvolvimento, Indústria, Comércio e Serviços (MDIC).

Ricardo Gauche, Universidade de Brasília, UnB

Professor Associado do Instituto de Química da Universidade de Brasília, bacharel e licenciado em Química pela Universidade de Brasília, possui Mestrado em Educação (Metodologia de Ensino de Química) pela Unicamp (1992) e Doutorado em Psicologia (Cultura e Desenvolvimento) pela Universidade de Brasília (2001), tendo, tanto na dissertação quanto na tese, o professor como sujeito da pesquisa. Tem experiência na área de Ensino de Química, com ênfase na formação de professores, atuando principalmente nos seguintes temas: formação inicial, formação continuada e autonomia do professor; autoestima; pesquisa colaborativa; materiais de ensino; currículos e programas; avaliação; processo ensino-aprendizagem; e inclusão.

References

Borkulo, S. P. (2009). The assessment of learning outcomes of computer modeling in secondary science education. Ph.D. thesis, University of Twente, The Netherlands.

Bredeweg, B., Liem, J., Beek, W., Linnebank, F., Gracia, J., Lozano, E., ... & Mioduser, D. (2013). DynaLearn – An Intelligent Learning Environment for Learning Conceptual Knowledge. AI Magazine, 34(4), 46-65.

Callegari-Jaques, S. M. (2003). Bioestatística- Princípios e Aplicações, Porto Alegre: Artmed, 239(1), 166-167.

Caulfield, C. W., & Maj, S. P. (2001). A case for systems thinking and system Dynamics. Proceedings of the IEEE International Conference on Systems, Man and Cybernetics, Tucson, AZ, 2793-2798.

Cohen, L, Manion, L., & Morrison, K. (2011). Research Methods in Education. 7th Edition. New York: Routledge.

Forbus, K. D. (1984). Qualitative Process Theory. Artificial Intelligence, 24(1), p. 85-168.

Forrester, J. W. (2009). Learning through System Dynamics as Preparation for the 21st Century. Portland, OR: Productivity Press. Reviewed in 2009. Disponível em: http://web.mit.edu/sysdyn/sd-intro/D-4434-1.pdf. Acesso em 27 abr 25.

Gil, A. C. (2012). Métodos e Técnicas de Pesquisa Social. 6 ed. São Paulo: Atlas.

Guerin Junior, C., Cunha, F. I. J., Dinardi, A. J., Teodoro, P. V. (2024). Saberes Didático-pedagógicos a partir de Modelos Didáticos Tridimensionais: em foco, o Ensino de Ciências. Ensino & Pesquisa, 22(1), 690-704.

Hashem, K., Mioduser, D. (2013). Learning by Modeling (LbM): Understanding Complex Systems by Articulating Structures,Behaviors, and Functions. International Journal of Advanced Computer Science and Applications, 4(4), 80-86.

Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22(140), 44-53.

Lyneis, D. A. (2013). Bringing system dynamics to a school near you: suggestions for Introducing and Sustaining System Dynamics in K-12 Education. Acton, MA, 2013. Disponível em: http://www.clexchange.org/gettingstarted/intropacket.asp. Acessoem 29 abr 2025.

Mioduser, D. et al. (2012). Final report on DynaLearn evaluation studies. DynaLearn, EC FP7 STREP project 231526, Deliverable D7.4.

Richmond, B. (1993). Systems thinking: critical thinking skills for the 1990s and beyond. System Dynamics Review, 9(2), 113-133.

Rijo, P. M. (2008). Orientações para pré e pós-teste. Washington: I-TECH, 2008. 8 p. Disponível em: https://docplayer.com.br/24207-Utilizacao-dos-pre-e-pos-testes-desenvolvimento-do-pre-e-pos-teste.html. Acesso em: 12 set. 2025.

Salles, P., Bredeweg, B., Noble, R., Zitek, A., & Souza, A. B. (2012). Qualitative Model Patterns: a Toolkit for Learning by Modelling. In 26th International Workshop on Qualitative Reasoning, Playa Vista, CA, USA (Vol. 1).

Teodoro, P. V., Salles, P., & Gauche, R. (2023). A qualitative model of the evaporation process for science education. Proceedings of 15th Conference of the European Science Education Research Association (ESERA), Capadócia, Turquia.

Teodoro, P. V., Salles, P., & Gauche, R. (2024). De um Simples Modelo à Complexidade de um Sistema Dinâmico: a transformação dos estados físicos e a tempestade. Revista da Sociedade Brasileira de Ensino de Química, 5(1), p. e052407.

Teodoro, P. V., & Freire, V. (2025). Artificial Intelligence and Qualitative Reasoning in Science Education: A Systematic Review of Lusophone Literature (2000–2024). In A. I. Cristea, E. Walker, Y. Lu, O. C. Santos, & S. Isotani (Eds.) Artificial Intelligence in Education (25th ed., pp. 449-456). Springer Nature.

Salles, P. et al. (2010). FUB evaluation of DynaLearn prototype. DynaLearn, EC FP7 STREP project 231526, Deliverable D7.2.1.

Souza, P. V. T. (2019). Modelos de simulação qualitativos como estratégia para o ensino de ciências [Tese de Doutorado, Universidade de Brasília].

Souza, P. V. T., Salles, P., & Gauche, R. (2016). Elementos para a elaboração de uma estratégia didática para o ensino de Química, destinada ao aprendizado de surdos e ouvintes, baseada em Raciocínio Qualitativo. Anais do XVIII Encontro Nacional de Ensino de Química. UFSC.

Souza, P. V. T., Salles, P., Gauche, R. (2017). Um modelo de simulação baseado em raciocínio qualitativo para a educação em ciências. ACTIO: Docência em Ciências, 2(1), 162-183.

Souza, P. V. T., Salles, P., & Gauche, R. (2019). O uso de modelos qualitativos como recurso didático para o Ensino de Ciências. Atas do XII Encontro Nacional de Pesquisa em Educação em Ciências. UFRN.

Downloads

Published

2026-09-25

How to Cite

Teodoro, P. V., Salles, P., & Gauche, R. (2026). Developing Systems Thinking through AI in the Learning by Modeling approach in Basic Education. Revista Da Sociedade Brasileira De Ensino De Química, 7(1), e072608. https://doi.org/10.56117/resbenq.2026.v7.e072608

Issue

Vol. 7 No. 1 (2026): Janeiro-Dezembro

Section

Dossiê

License

Licença Creative Commons

Todas as publicações da Revista da Sociedade Brasileira de Ensino de Química estão licenciadas sob licença Creative Commons Attribution 4.0 International License. (CC BY 4.0).

Creative Commons License

Autores que publicam nesta revista concordam com os seguintes termos:

  1. Autores mantêm os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attributionque permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
  2. Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
  3. Autores têm permissão e são estimulados a publicar e distribuir seu trabalho on-line(ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).