O OráculoMed não inventou nada. Ele aplica modelos científicos publicados e validados em milhões de sessões de estudo ao redor do mundo. Aqui estão os estudos.
Como o OráculoMed decide quando você deve revisar
O "spacing effect" (efeito de espaçamento) é um dos fenômenos mais replicados na psicologia cognitiva: distribuir o estudo ao longo do tempo produz retenção significativamente maior do que concentrá-lo em uma sessão.
Cepeda, N.J., Pashler, H., Vul, E., Wixted, J.T., & Rohrer, D. (2006). "Distributed practice in verbal recall tasks: A review and quantitative synthesis." Psychological Bulletin, 132(3), 354–380.
Meta-análise com 839 avaliações de 317 experimentos. Conclusão: o intervalo ótimo entre sessões de estudo depende de quanto tempo depois você precisa lembrar. O espaçamento é universalmente superior à prática concentrada.
Cepeda, N.J., Vul, E., Rohrer, D., Wixted, J.T., & Pashler, H. (2008). "Spacing effects in learning: A temporal ridgeline of optimal retention." Psychological Science, 19(11), 1095–1102.
Encontrou que o intervalo ótimo de revisão é aproximadamente 10-20% do período de retenção desejado. Ex: se a prova é em 30 dias, o intervalo ideal de revisão é de 3-6 dias.
O OráculoMed usa um modelo de repetição espaçada de última geração (FSRS v6, desenvolvido por Ye et al.) que vai além dos intervalos fixos. Ele modela uma curva de esquecimento personalizada para cada tema e cada estudante, calculando o momento ótimo de revisão com base no seu histórico real.
Open Spaced Repetition Benchmark (2024). 9.999 coleções de usuários reais, 349 milhões de revisões.
O FSRS v6 supera o algoritmo SM-2 (usado em apps de flashcard tradicionais) em 99,6% dos casos. Usuários precisam de 20-30% menos revisões para atingir o mesmo nível de retenção.
Como o OráculoMed sabe o que você domina
Como saber se um aluno realmente domina um assunto, e não apenas acertou por sorte? A resposta está na inferência bayesiana — atualizar probabilidades com base em evidências acumuladas.
Corbett, A.T., & Anderson, J.R. (1994). "Knowledge tracing: Modeling the acquisition of procedural knowledge." User Modeling and User-Adapted Interaction, 4(4), 253–278.
Artigo fundacional do Bayesian Knowledge Tracing (BKT). Propôs o modelo de Markov oculto para rastrear conhecimento do estudante em tempo real. Adotado por centenas de sistemas adaptativos de ensino desde então.
Yudelson, M.V., Koedinger, K.R., & Gordon, G.J. (2013). "Individualized Bayesian Knowledge Tracing Models." Proceedings of the International Conference on Artificial Intelligence in Education.
Demonstrou que individualizar os parâmetros do BKT por aluno melhora significativamente a acurácia de predição de desempenho.
Para cada micro-tema da taxonomia médica, o OráculoMed mantém uma probabilidade de domínio que se atualiza a cada questão respondida. Quando essa probabilidade cai abaixo do limiar, o tema é marcado como lacuna e recebe prioridade na próxima sessão.
Como o OráculoMed sabe o que importa mais para sua banca
Nem todo conteúdo tem a mesma probabilidade de cair na prova. Estudos sobre alocação ótima de tempo de estudo mostram que priorizar conteúdo de alto impacto é uma das decisões mais eficientes que um estudante pode tomar.
Dunlosky, J., Rawson, K.A., et al. (2013). "Improving Students' Learning With Effective Learning Techniques." Psychological Science in the Public Interest, 14(1), 4–58.
Revisão abrangente de 10 técnicas de estudo. Concluiu que practice testing (exercícios) e distributed practice (espaçamento) são as duas técnicas de maior eficácia. A alocação inteligente do tempo entre temas de maior relevância potencializa ambas.
Cada tema carrega um peso de relevância (ω_exam) baseado na incidência histórica na banca-alvo do aluno. Temas que mais caem recebem mais atenção — mas sem ignorar os demais, garantindo cobertura completa da taxonomia.
Como o OráculoMed distribui seus minutos
O tempo é o recurso mais escasso do estudante. A questão não é apenas "o que estudar", mas "quanto tempo dedicar a cada tema" dado que o tempo total é finito.
Son, L.K., & Sethi, R. (2006). "Metacognitive control and optimal learning." Cognitive Science, 30(4), 759–774.
Modelou a alocação de tempo de estudo como um problema de otimização. Estudantes que distribuem tempo com base na dificuldade e importância relativa dos tópicos obtêm resultados superiores aos que distribuem tempo igualmente.
O sistema combina os 3 sinais anteriores (memória, conhecimento e relevância) em um "score de urgência" para cada tema e distribui o tempo proporcional a esse score. Restrições garantem que nenhum tema monopolize a sessão (máximo 40%) e que cada tema receba questões suficientes para gerar dados confiáveis.
Gratuito durante o acesso antecipado.