A evolução da Inteligência Artificial (IA) impulsiona o desenvolvimento da 
aprendizagem on-line (e-learning), permitindo a incorporação progressiva de 
recursos baseados em IA nos ambientes virtuais de aprendizagem. Nesses 
ambientes, os Sistemas de Tutoria Inteligente (STI) utilizam modelos de IA 
para identificar padrões de engajamento dos estudantes e personalizar a 
tutoria. No entanto, desenvolver STI que transformem efetivamente as 
capacidades dos tutores humanos em experiências tangíveis é um desafio 
complexo. Principalmente devido a processos de design que tendem a 
superestimar as capacidades dos agentes inteligentes, enquanto subestimam 
os papéis, as percepções e contribuições dos tutores humanos. Diante disso, 
esta tese defende que estratégias de STI podem ser desenvolvidas como 
soluções para a ampliação das capacidades de tutores humanos. Sendo assim, 
esta pesquisa tem como objetivo analisar a efetividade da aplicação de 
estratégias de STI no apoio aos tutores humanos para o acompanhamento de 
indicadores de engajamento estudantil no aprendizado on-line. Para isso, a 
pesquisa adotou um paradigma projetivo baseado nas diretrizes do Design 
Science Research (DSR), envolvendo a realização e consolidação cumulativa 
de estudos que utilizaram técnicas de etnografia digital, revisão e 
mapeamento da literatura, análises qualitativas e quantitativas da atuação 
de tutores humanos de diferentes contextos do aprendizado on-line. Além de 
procedimentos projetivos para concepção, desenvolvimento e avaliação de uma 
abordagem de sistema de STI denominado “Its.Redu”. O sistema foi concebido 
com funcionalidades voltadas ao apoio das atividades de tutoria, 
direcionadas para cenários de promoção do engajamento estudantil, 
principalmente em Plataforma Social de Aprendizagem. As descobertas da 
pesquisa permitiram investigar as atividades de tutoria e obter informações 
sobre a experiência, a atratividade, a qualidade e a efetividade do sistema 
proposto. A hipótese material testada envolveu artefatos digitais do 
sistema que evoluíram a partir de modelos de IA, utilizando técnicas de 
Aprendizado de Máquina (AM), Processamento de Linguagem Natural (PLN) e 
Modelo de Linguagem de Grande Escala (LLM). O sistema desenvolvido foi 
avaliado ao longo da pesquisa por meio de investigações interdependentes ao 
viabilizar a seleção, classificação e acompanhamento de indicadores de 
engajamento dos estudantes no aprendizado on-line. Os resultados incluem a 
concepção da abordagem do sistema e as formas de apoio aos tutores com 
diferentes perfis de uso da tecnologia. Conclui-se, portanto, que a 
abordagem proposta tem potencial para se tornar uma ferramenta atrativa e 
significativamente efetiva no apoio aos tutores humanos, auxiliando na 
evidência do desempenho dos estudantes, na análise dos níveis de interação, 
na busca ativa, na antecipação, incorporação de tutorias e na facilitação 
do acompanhamento de indicadores. Com isso, as propostas podem contribuir 
para a ampliação das capacidades dos tutores na promoção de estratégias 
didático-pedagógicas voltadas ao engajamento estudantil. Consequentemente, 
o design das estratégias, ao valorizar o envolvimento dos tutores humanos, 
pode potencializar o impacto dos modelos nas tutorias híbridas 
conseguintes, que permite direcionar ações didático-pedagógicas para a 
promoção do engajamento estudantil.