Resumo:
Este estudo desenvolveu um sistema multiagente baseado em Grandes Modelos de Linguagem (LLMs) para otimizar o processo de design de jogos educacionais endógenos. A pesquisa foi conduzida por meio da metodologia Design Science Research, seguindo as etapas de conscientização do problema, proposição do artefato, desenvolvimento, avaliação e comunicação dos resultados. O sistema integra quatro módulos funcionais especializados: Brainstorming assistido por IA, Agente Socrático para refinamento conceitual, preenchimento assistido do Endo-GDC (Game Design Canvas para Jogos Educativos Endógenos), e classificação de objetivos educacionais baseada na Taxonomia de Bloom Revisada. Foram analisados 26 estudos de caso abrangendo diferentes contextos educacionais, desde ensino fundamental até formação corporativa, contemplando disciplinas como matemática, ciências, idiomas. Os agentes foram categorizados em quatro tipos: Coordenador, Especialista em Mecânicas, Especialista em Narrativa e Especialista em Engajamento. Os resultados evidenciaram alta aceitação tecnológica, com utilidade percebida de 6.23 em escala de 7 pontos, adequação tarefa-tecnologia de 5.95, experiência algorítmica satisfatória de 5.80 e efetividade processual de 5.89. Como parte da validação, foram aplicados quatro frameworks estabelecidos (TAM, TTF, AX e ADDIE), que confirmaram a eficácia do sistema em reduzir tempo de desenvolvimento mantendo qualidade pedagógica. Concluiu-se que a abordagem multiagente baseada em LLMs representa uma ferramenta robusta para democratizar o acesso ao design de jogos educacionais, mostrando-se promissora para acelerar a inovação pedagógica e ampliar o uso de metodologias ativas na educação.