• Preservação do saber e memória coletiva.
• Autoridade e legitimidade do conhecimento.
• Criação de artefatos culturais duradouros.

• Acesso em larga escala ao conhecimento.
• Padronização e formação de disciplinas.
• Aceleração da Revolução Científica.

• Acesso ubíquo e multiformato ao conteúdo.
• Atualização contínua e interconexão de ideias.
• Colapso de barreiras geográficas.

• Aprendizagem ativa com maior retenção.
• Feedback imediato e contextualizado.
• Personalização em escala.

• Experiência sob medida para perfil e progresso.
• Cocriação e melhoria contínua via dados de uso.
• Sistemas de aprendizado contínuo.

• Geração autônoma de trilhas, métodos e hipóteses.
• Otimização da própria forma de aprender e ensinar.
• Ecossistemas cognitivos autossustentáveis.

• Finalidade antes do meio — tecnologia serve a objetivos de aprendizagem explícitos.
• Contexto é parte do conteúdo — o que ensinar depende de quem/onde/quando.
• Explicabilidade — toda recomendação deve ser justificável e auditável.
• Cocriação — aprendizes, autores e IA constroem o livro em conjunto.
• Privacidade por padrão — mínimo necessário de dados, com consentimento claro.
• Melhoria contínua — cada interação deve poder melhorar o sistema.

• Conhecimento como rede — tópicos e conceitos conectados em grafos (do explícito ao inferido).
• Aprender fazendo — avaliação formativa e feedback imediato orientam a trilha.
• Metacognição — o sistema e o aprendiz observam o próprio processo e ajustam rotas.

• Justiça e inclusão — evitar vieses; acessibilidade como requisito.
• Transparência — políticas e motivos de adaptação visíveis ao usuário.
• Rastreabilidade — decisões registradas com ligações a dados, regras e resultados.
• Controle do usuário — preferências ajustáveis; possibilidade de contestar recomendações.

• Autonomia supervisionada — o sistema decide sob políticas transparentes e auditáveis.
• Explicabilidade por padrão — toda recomendação deve ter "por que" e "como" verificáveis.
• Metacognição — o LQA aprende sobre o próprio aprendizado (autoavalia e ajusta regras).
• Cocriação distribuída — papéis (autor, aprendiz, profissional, especialista) coconstroem valor.
• Privacidade e consentimento — dados mínimos, controle pelo usuário, LGPD-by-design.
• Sustentabilidade do conhecimento — cada ciclo gera artefatos reusáveis e rastreáveis.

• Percepção (M0): telemetria, quizzes, contexto e preferências.
• Interpretação (M1): mapeamento em tópicos, pré-requisitos e perfis.
• Decisão (M2): trilhas e recomendações com justificativas (RN/RA).
• Ação (M2): entrega de páginas, grafos e OAs adequados ao perfil.
• Avaliação (M3): métricas de eficácia, equidade e explicabilidade.
• Aprendizagem: ajustes nos modelos e políticas para o próximo ciclo.

• Arquitetura atual: front-end em HTML, CSS e JS (com D3.js para grafos e visualizações); back-end inicial em Python/Node.js; e repositório de conteúdo versionado.
• Fluxo principal: dados de interação (M0) → modelos de tópicos e trilhas (M1) → motores de recomendação e explicabilidade (M2) → governança e auditoria ética (M3).
• Recursos ativos: grafo interativo, glossário navegável, trilhas adaptativas, quizzes com feedback automático.

• Tempo médio de sessão: ~14 min por interação.
• Taxa de conclusão de trilhas: 72% (testes internos).
• Taxa de acertos em quizzes adaptativos: 85% em média.
• Tempo de carregamento médio: 1,8 s (desktop) / 3,2 s (mobile).
• Eventos registrados: +1.000 por ciclo de uso.

• Pensar com os olhos: hierarquias visuais e padrões semânticos facilitam a compreensão.
• Sentir com o espaço: layouts guiam atenção, reduzem sobrecarga e estimulam foco.
• Raciocinar com as formas: cada componente visual expressa relações cognitivas e semânticas.
• Design explicável: o propósito de cada elemento é visível, auditável e rastreável.

• M0 — dados de interação e percepção do usuário; feedback visual e coleta de telemetria.
• M1 — modelagem semântica dos componentes e taxonomia de interfaces.
• M2 — implementação dos componentes e suas regras de adaptação.
• M3 — governança do design, consistência, acessibilidade e ética visual.

Assim, o design torna-se uma camada de raciocínio entre engenharia e experiência cognitiva, permitindo explicabilidade e reuso semântico em todo o sistema.

• Tecnologia do LqA — fornece as ferramentas para implementação dos componentes.
• Mapa Conceitual — traduz a hierarquia visual em relações de conhecimento.
• Modelo Conceitual (Interativo) — demonstra a aplicação dinâmica dos elementos atômicos.
• Filosofia do LqA — fundamenta o design como cognição ética e explicável.
• Abordagem de Pesquisa (DSR + MDS) — garante rastreabilidade entre modelo, artefato e interação.

• Front-end: HTML/CSS/JS, D3.js (grafos), componentes do Sistema de Design Atômico.
• Back-end: Python/Node.js (APIs, processamento), armazenamento local/Hostinger.
• IA/Motores: regras RN/RA, heurísticas de trilhas, explicações (XAI) em UI.
• Observabilidade: telemetria, logs de decisão, exportação/relatórios.

• Sistema de Design Atômico: componentes cognitivos que materializam a entrega (M2).
• Mapa/Modelo Conceitual: fonte semântica para a modelagem (M1).
• Modelos × Interfaces: rastreabilidade entre conceito e UI.
• Abordagem DSR + MDS: método de construção e validação do pipeline.

• Top-down: Áreas → Domínios → Contextos → Tópicos → Conceitos → Grafo.
• Bottom-up: Dados de uso retroalimentam o Grafo e refinam Tópicos/Contextos.
• Alinhamento M0–M3: M0 (dados) ↔ M1 (tópicos/conceitos) ↔ M2 (regras/recomendação) ↔ M3 (governança).

• Rede de Tópicos: implementada na página RedeTopicos.html com grafo D3.js interativo.
• Rede de Conhecimento: modelada em glossários locais e mapas conceituais (ex.: “Livro que Aprende — Página Web”).
• Grafo de Conhecimento: validado em protótipos de visualização (export PNG/SVG, filtros por tipo, tooltips).
• Domínios e Contextos: usados para estruturar trilhas personalizadas e métricas de desempenho.

Cada evidência está vinculada a artefatos reais do LqA, reforçando o alinhamento entre teoria (M1/M2) e prática (M0).

• Camadas: leia da esquerda para a direita: Modelos → Motores → Interfaces → Governança → Integração; a faixa indica a camada de IA.
• Ciclo: Usuário → Coleta/Telemetria → Recomendação/Adaptação → Entregas (Trilhas/Páginas/Grafo) → Feedback → Atualização dos modelos.
• Links: nós com cursor “pointer” abrem as páginas reais do LqA (ex.: Rede de Tópicos, Trilhas, Relatórios).

• Nós azuis: Modelos conceituais internos do LqA.
• Nós verdes: Interfaces de uso associadas.
• Nós amarelos: Regras de negócio (RN) e aplicação (RA).
• Linhas pontilhadas: regras; linhas sólidas: relações diretas modelo ↔ interface.
• Duplo clique: solta o nó fixado e reanima a simulação.

• Objetivo: organizar o domínio em Tópicos, pré-requisitos e glossário (M1).
• Escopo: páginas conceituais com seção “Problema resolvido”, exemplos e âncoras.
• Resultado: estrutura coerente e reutilizável, preparando a base para trilhas.
• Próximo passo: ampliar metadados (nível, duração, tipo de OA) e versões.

• Objetivo: validar visualização interativa (D3.js) com drag, zoom/pan, filtros e legenda.
• Escopo: Rede de Tópicos, usos educacionais, personas e componentes (M1↔M2).
• Resultado: melhor orientação cognitiva e compreensão de dependências.
• Próximo passo: pins persistentes, tooltips/touch aprimorados e exportar PNG/SVG.

• Objetivo: gerar/ajustar sequências de estudo a partir de perfil e desempenho (M2).
• Escopo: regras de pré-requisitos + sinais de M0 (quiz, tempo, cliques) → trilha adaptada.
• Resultado: aumento de completude e engajamento vs. sequência fixa.
• Próximo passo: registrar explicabilidade (M3) e comparar políticas de recomendação.

• M0 – Dados: Visitante/Aprendiz = leitura de público; Autor/Profissional = leitura ampliada; Especialista = leitura auditável.
• M1 – Modelos: Autor = criar/editar no seu domínio; Profissional = revisar/organizar; Especialista = aprovar políticas de versionamento.
• M2 – Motores: Profissional = configurar/experimentar; Especialista = publicar políticas; Autor/Aprendiz = apenas uso.
• M3 – Governança: Especialista = manter políticas e auditorias; Profissional = propor mudanças; Autor/Aprendiz/Visitante = leitura.

R=Responsável • A=Aprovador • C=Consultado • I=Informado

• Visitante: caminho “começar agora”, glossário enxuto, demos.
• Aprendiz: trilhas com pré-requisitos, autoavaliação, relatórios pessoais.
• Autor: templates de OA, checklist de qualidade, metadados mínimos.
• Profissional: painel de modelagem (grafo/taxonomia), telemetria, testes A/B.
• Especialista: console de políticas, logs de explicabilidade, auditoria ética/LGPD.

• Comece pelo Papel (ex.: Autor) e localize seu Nível (M1).
• Observe o Modelo correspondente no grafo “Modelos × Interfaces”.
• Identifique as Interfaces que concretizam o modelo (ex.: Rede de Tópicos).
• Verifique as Regras (RN/RA) que controlam as ações e permissões.
• Consulte as Evidências (logs, métricas, artefatos) no card “Evidências Integradas”.

• DSR — Define o porquê e o para quem do artefato, avaliando utilidade, eficácia e impacto cognitivo. Gera conhecimento científico a partir da prática.
• MDS — Define o como construir e evoluir o sistema, passando por planejamento, concepção, implementação, teste, implantação, operação e manutenção contínua.
• Integração — A DSR fornece os objetivos e critérios de validação; a MDS operacionaliza o ciclo; o LQA registra e analisa o aprendizado de ambos.

Cada iteração do LQA segue o ciclo Problema → Projeto → Prova → Aprendizado → Evolução, conectando a descoberta científica com a aprendizagem do sistema.

• Conceber – identificar lacunas e formular hipóteses (DSR ↔ Planejamento MDS).
• Projetar – modelar soluções e definir protótipos (Design Conceitual ↔ Implementação).
• Experimentar – testar artefatos e coletar evidências (Prova de Conceito ↔ Validação).
• Refletir – avaliar desempenho e impacto (Feedback ↔ Métricas Cognitivas).
• Revisar – integrar aprendizados e gerar nova versão (Evolução ↔ Governança M3).

• Filosofia do Livro 5.0 e LQA — define os valores e princípios que orientam a pesquisa.
• Fluxo e Ciclo de Vida — mostram a aplicação iterativa da DSR + MDS no tempo.
• Provas de Conceito (PoC) — materializam cada ciclo de aprendizado e validação.
• Ecossistema LQA — contextualiza a produção, uso e compartilhamento dos resultados.

• Plataforma de Aprendizagem — núcleo que hospeda os livros, trilhas e visualizações interativas.
• Comunidade de Aprendizes — indivíduos que interagem, compartilham e geram feedback.
• Inteligência Artificial — motores de recomendação, análise semântica e explicabilidade (M2 → M3).
• Governança Adaptativa — políticas éticas, métricas e curadoria de conhecimento.
• Infraestrutura Técnica — front-end web (HTML + CSS + JS + D3.js) e back-end em Python/Node.js hospedado em provedor (Hostinger).

Cada elemento do ecossistema interage por meio de fluxos de informação, decisão e aprendizado: dados (M0) → modelos (M1) → adaptação (M2) → governança e retroalimentação (M3). Esses fluxos criam ciclos de coevolução humano ↔ IA ↔ comunidade.

• Promove sustentabilidade cognitiva e social do conhecimento.
• Integra aprendizado humano e artificial em laço contínuo.
• Favorece evolução ética, transparente e colaborativa.

• M0 — registra interações (tempo, cliques, quiz) para evidência empírica.
• M1 — usa Rede de Tópicos, pré-requisitos e metadados de OA.
• M2 — gera trilha, apresenta por que da recomendação e alternativas.
• M3 — guarda logs de decisão e permite revisão de políticas (ética/qualidade).

• Eficiência de navegação (↓ tempo para localizar conteúdo relevante).
• Conclusão de trilhas (↑ taxa vs. sequência fixa).
• Compreensão (↑ acertos/feedback em quizzes ou checkpoints).
• Explicabilidade percebida (usuário entende “por que” da recomendação).

Dica: capture prints/relatórios ou exporte métricas ao fim de cada sessão para o painel de Evidências.

• Livro 4.0 → 5.0: Personalização e IA adaptativa básica.
• Livro 5.0: Ciclo dados → modelo → ação → avaliação → aprendizado.
• Livro 5.5 → 6.0: Autonomia parcial, metacognição e governança emergente.
• Livro 6.0: Sistema auto-reflexivo, ético, explicável e evolutivo.