INOVAÇÃO NO ENSINO TÉCNICO: DESENVOLVIMENTO DE UM MENTOR VIRTUAL MULTIMODAL PARA PROGRAMAÇÃO

Engenharias, Volume 29 – Edição 153/DEZ 2025 / 08/12/2025

INNOVATION IN TECHNICAL EDUCATION: DEVELOPMENT OF A MULTIMODAL VIRTUAL MENTOR FOR PROGRAMMING

REGISTRO DOI: 10.69849/revistaft/pa10202512071128

Fillipe Pinheiro da Silva1
Erick Santos Menezes1
João Victor Teotônio De Sousa Almeida1

Resumo

Este artigo tecnológico apresenta o desenvolvimento e a aplicação de um mentor virtual de programação integrado ao WhatsApp, projetado para oferecer suporte multimodal e contínuo a estudantes de cursos técnicos por meio de uma arquitetura escalável, acessível e de baixo custo. A solução foi construída sobre um ecossistema tecnológico composto por N8N para orquestração de fluxos, Supabase como banco de dados operacional, Cloudflare para segurança e Setup Orion para gestão da infraestrutura, incluindo Portainer, Traefik e Minio. A integração com a API da OpenAI possibilitou processamento inteligente de linguagem natural, enquanto a Evolution API permitiu comunicação multimodal via WhatsApp, abrangendo texto, voz, imagens (OCR) e envio de arquivos. O sistema foi aplicado em 81 estudantes de cursos técnicos em Ciências de Dados e curso de aprimoramento de Programação de Computadores, oferecendo suporte personalizado em HTML, CSS, JavaScript e Python em um ambiente digital amplamente difundido. Os resultados demonstram aumento da autonomia, maior flexibilidade no estudo e percepção positiva quanto à eficácia da aprendizagem, evidenciando o potencial da arquitetura proposta para replicação em outros contextos educacionais e sua expansão para plataformas adicionais, como Moodle e Google Classroom. Conclui- se que o uso de arquiteturas de IA multimodais em ambientes cotidianos representa uma inovação aplicável e escalável para a educação profissional, conciliando eficiência tecnológica, inclusão digital e impacto pedagógico.

Palavras-chave: Arquitetura Tecnológica. Aprendizagem Autônoma. Tutoria Inteligente. Educação Digital.

1 INTRODUÇÃO

A utilização de Inteligência Artificial (IA) em ambientes educacionais tem se expandido de forma acelerada, impulsionando novas possibilidades de personalização, flexibilidade e inclusão digital no processo de aprendizagem. Em cursos técnicos e profissionalizantes, especialmente nas áreas de programação e ciências de dados, estudantes frequentemente enfrentam dificuldades relacionadas à falta de suporte contínuo, ao acesso limitado a recursos personalizados e à necessidade de conciliar estudo, trabalho e responsabilidades pessoais. Esses desafios reforçam a urgência por soluções tecnológicas acessíveis, escaláveis e que ofereçam acompanhamento em tempo real (PICÃO et al., 2023).

A literatura destaca que sistemas inteligentes têm potencial para ampliar a autonomia estudantil ao oferecer feedback imediato, adaptação ao ritmo individual e suporte contextualizado, mesmo fora do ambiente escolar (CAMPOS & MATOS, 2024). No entanto, a adoção de IA na educação também envolve desafios éticos e técnicos, como privacidade de dados, dependência tecnológica e desigualdade de acesso (CARDOSO et al., 2023). Assim, para que tais soluções sejam efetivas, é necessário integrá-las a arquiteturas robustas e estratégias pedagógicas que assegurem segurança, escalabilidade e aplicabilidade prática.

Diante desse cenário, este artigo aborda o desenvolvimento de um mentor virtual de programação baseado em IA, acessível diretamente pelo WhatsApp, utilizando um conjunto de tecnologias open source que permitem baixo custo, orquestração modular e expansão futura. A solução busca responder ao problema da limitação de suporte personalizado no ambiente de ensino, propondo uma arquitetura escalável e replicável capaz de ampliar a autonomia e apoiar a aprendizagem contínua de estudantes de Educação Profissional e Tecnológica.

Assim, o objetivo deste artigo é propor e descrever uma arquitetura tecnológica inovadora para um mentor virtual de programação multimodal, detalhando sua concepção, implementação e potencial de replicação em outros contextos educacionais, demonstrando sua relevância prática e impacto para organizações de ensino e para a sociedade.

2 FUNDAMENTAÇÃO TEÓRICA OU REVISÃO DA LITERATURA

2.1 Inteligência Artificial aplicada a sistemas de suporte educacional

O avanço da Inteligência Artificial (IA) tem possibilitado a criação de sistemas capazes de interpretar linguagem natural, adaptar respostas e oferecer orientação personalizada. No contexto educacional, essas tecnologias permitem ampliar o acesso ao suporte pedagógico, sobretudo em cursos que exigem estudo contínuo e prática frequente. Belda-Medina e Kokošková (2023) destacam que sistemas inteligentes podem ajustar explicações e recomendações ao ritmo e às necessidades do estudante, promovendo maior autonomia. Picão et al. (2023) reforçam que ferramentas baseadas em IA ampliam a acessibilidade ao conhecimento, desde que estejam integradas a ambientes familiares ao usuário e ofereçam respostas claras e contextualizadas.

Nesse cenário, estudos indicam que agentes inteligentes podem funcionar como mediadores tecnológicos, conectando estudantes a conteúdos de forma mais eficiente e personalizada. Campos e Matos (2024) enfatizam que soluções acessíveis, integradas ao cotidiano dos estudantes, tendem a gerar maior engajamento e melhor aproveitamento dos recursos digitais disponíveis.

2.2  Tutores virtuais e agentes conversacionais no ensino de programação

O ensino de programação exige compreensão teórica e prática estruturada, o que torna o feedback imediato um elemento essencial para evitar bloqueios de aprendizagem. A literatura relata que agentes conversacionais reduzem o tempo de espera por esclarecimentos, facilitando a resolução de problemas e a continuidade dos estudos. Sistemas capazes de compreender diferentes formas de entrada textos, áudios, prints de tela, imagens ampliam a fluidez da interação e tornam os tutores virtuais adequados ao fluxo real de dúvidas do estudante.

Para Picão et al. (2023), a multimodalidade contribui para interações mais ricas e aderentes às demandas práticas dos cursos técnicos. Cardoso et al. (2023) complementam afirmando que soluções integradas a aplicativos amplamente utilizados, como o WhatsApp, contribuem para mitigar desigualdades no acesso a plataformas educacionais mais complexas.

2.3 Arquiteturas escaláveis para sistemas educacionais baseados em IA

A adoção de IA em ambientes educacionais requer arquiteturas robustas, capazes de lidar com grande volume de interações simultâneas e garantir segurança no processamento de dados. Soluções baseadas em orquestradores de fluxo, bancos de dados escaláveis e infraestrutura modular permitem construir sistemas flexíveis, expansíveis e replicáveis em diferentes contextos. Kooli (2023) destaca que a proteção de dados e a governança digital são elementos fundamentais para garantir confiança no uso de tecnologias inteligentes, especialmente em ambientes formativos.

Além disso, arquiteturas distribuídas, com recursos de controle de tráfego, balanceamento e gerenciamento de containers, são recomendadas para soluções que fazem uso intensivo de APIs externas e processamento de linguagem natural. Esses componentes técnicos sustentam o desempenho da ferramenta e viabilizam sua evolução conforme novas funcionalidades são incorporadas.

2.4 Estado da técnica: tutores multimodais em ambientes de mensageria

O estado da técnica evidencia uma tendência crescente de integrar agentes inteligentes a sistemas de mensageria instantânea. Contudo, grande parte das soluções ainda se concentra em aplicações corporativas, enquanto sua adoção explícita no ensino técnico permanece pouco explorada. A literatura aponta oportunidades para arquiteturas que combinem multimodalidade, automação de fluxos, segurança em camadas e modelos de IA avançados aplicados diretamente a plataformas amplamente utilizadas pela população.

Essa lacuna tecnológica justifica propostas que detalham não apenas a usabilidade ou os resultados pedagógicos, mas principalmente o modo como tais sistemas podem ser concebidos, implementados e escalados com tecnologias atuais, acessíveis e replicáveis.

2.5 Consolidação do referencial teórico para a solução proposta

A análise da literatura demonstra que:

  • a IA contribui para ampliar a autonomia e a personalização da aprendizagem;
  • tutores virtuais favorecem o suporte contínuo, especialmente em cursos de programação;
  • ferramentas multimodais aumentam a riqueza das interações;
  • arquiteturas modulares são essenciais para garantir escalabilidade e segurança;
  • há um espaço evidente para soluções inovadoras que integrem IA multimodal ao WhatsApp com foco educacional.

Esses elementos fundamentam e justificam a proposta tecnológica apresentada, que combina acessibilidade, inovação arquitetural e aplicabilidade prática.

3 METODOLOGIA

A metodologia adotada para o desenvolvimento do mentor virtual de programação foi estruturada com foco na construção de uma solução tecnológica inovadora, replicável e de fácil operação e manutenção em ambientes reais do ensino técnico. O processo metodológico foi dividido em quatro dimensões principais:

  1. concepção arquitetural;
  2. implementação tecnológica;
  3. integração multimodal via WhatsApp;
  4. aplicação com usuários reais para avaliação de funcionamento.

Cada etapa foi planejada de modo a garantir rastreabilidade, escalabilidade e possibilidade de reprodução por outras instituições de ensino.

3.1 Tipo de pesquisa

Trata-se de uma pesquisa aplicada, com abordagem tecnológica e experimental, cujo objetivo central consiste em desenvolver, implementar e validar um sistema inovador baseado em Inteligência Artificial para suporte educacional. O estudo também apresenta características descritivas, ao registrar e analisar o comportamento do sistema e das interações dos usuários durante sua utilização.

3.2  Público-alvo, população e amostragem

A solução foi aplicada em um grupo de 81 estudantes da Educação Profissional e Tecnológica, especificamente dos cursos técnicos de Ciências de Dados e Programação de Computadores, todos com idade igual ou superior a 18 anos. Os participantes foram selecionados por amostragem não probabilística por conveniência, por se tratar de turmas diretamente atendidas pela instituição e que voluntariamente aceitaram participar da experimentação prática do sistema.

A diversidade de perfis é notória, pois inclui iniciantes e estudantes com maior familiaridade em programação, o que permitiu validar o comportamento do mentor virtual em níveis distintos de conhecimentos técnicos.

3.3 Materiais, ferramentas e infraestrutura tecnológica

A construção da solução exigiu a integração de diversos componentes tecnológicos que, em conjunto, formam a arquitetura do mentor virtual. Os principais instrumentos e ferramentas utilizados foram:

N8N – responsável pela orquestração de fluxos, automação de processos, formatação de mensagens e gerenciamento da comunicação entre APIs e módulos internos;

Supabase – utilizado como banco de dados relacional e camada de autenticação, garantindo persistência de logs, métricas e registros das interações;

Cloudflare – aplicado como camada de segurança, CDN e firewall, assegurando proteção contra acessos indevidos e otimização da distribuição de tráfego;

Setup Orion (Portainer, Traefik e Minio) – infraestrutura de containers, roteamento avançado e armazenamento distribuído para arquivos enviados pelos usuários;

API da OpenAI – responsável pelo processamento de linguagem natural, interpretação de código e suporte às respostas inteligentes;

Evolution API – intermediadora da comunicação com o WhatsApp, permitindo envio e recebimento de texto, áudio, imagens e arquivos, além de leitura via OCR;

WhatsApp – ambiente operacional escolhido por sua alta taxa de uso, acessibilidade e existência de recursos multimodais nativos.

3.4 Procedimentos de desenvolvimento da solução

O processo de criação seguiu um fluxo incremental composto pelas seguintes etapas:

a) Modelagem da arquitetura

Foi elaborado um modelo modular capaz de distribuir responsabilidades entre os componentes do sistema, permitindo que cada módulo e função opere de forma independente. Esta abordagem facilitou atualizações, manutenção e replicação da solução em novos contextos institucionais.

b) Implementação dos fluxos no N8N

Foram criados cenários de automação responsáveis por:

  • receber mensagens enviadas pelo usuário;
  • interpretar o tipo de conteúdo (texto, áudio, imagem, arquivo);
  • realizar pré-processamento;
  • encaminhar o conteúdo para a API da OpenAI;
  • formatar a resposta;
  • devolver o resultado ao usuário no WhatsApp.

    c) Integração com o banco de dados

    O Supabase foi configurado para registrar metadados das interações, tais como horário, tipo de mensagem, idioma, linguagem de programação detectada e volume de tokens processados, bem como número de telefone e nome de usuário padrão dentro do próprio Whatsapp. Essas informações permitiram acompanhar o uso da ferramenta e identificar padrões de comportamento.

    d)  Estabelecimento da camada de segurança

    Inicialmente, o sistema foi configurado para aceitar mensagens de qualquer usuário, sem restrição de origem, permitindo que todas as requisições recebidas pelo WhatsApp fossem processadas pelos fluxos do N8N. À medida que a solução foi amadurecendo, foram implementados mecanismos de controle, incluindo validações de endpoint, tokens de autenticação e filtros progressivos para autorizar apenas usuários previamente registrados.

    O Cloudflare desempenhou dupla função: além de atuar como camada de segurança e mitigação de tráfego malicioso, também operou como servidor DNS, gerenciando o roteamento adequado dos domínios utilizados pelo mentor virtual. Em conjunto com o Traefik, o sistema passou a direcionar o tráfego de forma segura e organizada, assegurando que somente solicitações legítimas fossem encaminhadas ao ambiente de execução.

    e) Validação multimodal

    O sistema foi testado para reconhecer e interpretar:

    • trechos de código enviados como texto;
    • prints de tela contendo erros (via OCR);
    • áudios enviados com dúvidas explicadas oralmente;
    • arquivos contendo projetos ou exercícios.

      f) Testes com cenários reais

      Antes da liberação para os estudantes, foram realizados testes técnicos com casos de uso reais, incluindo simulações de dúvidas frequentes em HTML, CSS, JavaScript e Python.

      3.5  Procedimentos de coleta, tabulação e análise de dados

      A coleta de dados envolveu duas frentes:

      a)  Coleta automatizada

      O próprio sistema capturou métricas de uso (quantidade de interações, tipo de mídia mais utilizado), armazenadas no Supabase.

      b)  Coleta declarada

      Os participantes responderam a um questionário estruturado contendo itens sobre:

      • usabilidade do mentor;
      • clareza das respostas;
      • tempo de resposta;.
      • percepção de autonomia;.
      • confiança na tecnologia;
      • impacto no estudo.

      Após a coleta:

      • os dados quantitativos foram tratados por estatística descritiva (percentuais, frequências e distribuição de uso);
      • os dados qualitativos foram categorizados com apoio de técnicas de agrupamento por palavras-chave, realizadas parcialmente com auxílio da própria IA.

      3.6 Replicabilidade da metodologia

      A metodologia adotada foi estruturada com o objetivo de permitir que outras instituições de ensino possam replicar o processo, desde que disponham de:

      • infraestrutura básica para containers;
      • acesso à API da OpenAI;
      • um orquestrador de fluxos como o N8N;
      • acesso a serviços de mensageria (como WhatsApp via Evolution API).

        Toda a arquitetura foi construída com tecnologias open source e serviços acessíveis, garantindo viabilidade técnica, econômica e operacional.

        4 RESULTADOS E DISCUSSÕES OU ANÁLISE DOS DADOS

        Esta seção apresenta os principais resultados obtidos durante a aplicação do mentor virtual multimodal junto aos estudantes dos cursos técnicos, bem como a interpretação desses dados à luz da literatura analisada. A análise envolve tanto os registros gerados automaticamente pelo sistema quanto as percepções declaradas pelos participantes, integrando métricas tecnológicas, indicadores de uso, respostas pedagógicas e implicações arquiteturais do modelo.

        4.1 Resultados Quantitativos: Engajamento, Uso e Padrões de Interação

        A aplicação prática do sistema resultou em um conjunto expressivo de interações registradas pelo banco de dados do Supabase. Os estudantes utilizaram o mentor virtual como ferramenta auxiliar para tirar dúvidas sobre HTML, CSS, JavaScript, Python e lógica de programação.

        Tabela 1 – Indicadores gerais declarados pelos estudantes

        Fonte: Silva et. al (2025).

        Os dados revelam que a autonomia se consolidou como o principal benefício percebido, reforçando a relevância da disponibilidade contínua do mentor virtual. Esse achado converge com Labadze, Grigolia e Machaidze (2023), que demonstram que o feedback imediato fornecido por agentes inteligentes impulsiona a independência do estudante.

        4.1  Processamento Multimodal: Efetividade e Aplicabilidade Técnica

        A ativação de diferentes modalidades de entrada foi um dos elementos centrais da arquitetura. O sistema demonstrou capacidade consistente de:

        • interpretar imagens via OCR para extrair mensagens de erro;
        • analisar trechos extensos de código enviados como arquivo;
        • compreender áudios com baixa qualidade de gravação;
        • gerar respostas contextualizadas em conversas prolongadas.

          Essa versatilidade está alinhada ao que Picão et al. (2023) descrevem como interações ricas, essenciais para ambientes de aprendizagem que envolvem prática intensiva, como programação.

          A multimodalidade também mostrou impacto direto na motivação dos estudantes, que relataram “redução da ansiedade ao lidar com erros”, favorecendo continuidade na resolução de problemas.

          4.3 Descobertas Tecnológicas: Arquitetura, Estabilidade e Desempenho

          Durante a execução, a arquitetura baseada em N8N, Supabase e Evolution API demonstrou:

          1. Estabilidade operacional: o sistema manteve alta disponibilidade durante o período de testes, sem interrupções críticas.
          2. Escalabilidade horizontal: a divisão modular permitiu que fluxos complexos fossem processados sem impacto significativo no tempo de resposta.
          3. Baixo custo operacional: a utilização de ferramentas open source como Portainer, Traefik e Minio reduziu custos de hospedagem e manutenção, tornando o modelo replicável em instituições com poucos recursos.
          4. Segurança aprimorada: a camada Cloudflare filtrou e assegurou criptografia adequada das comunicações, atendendo a requisitos de privacidade destacados por Kooli (2023).

          Esses resultados sustentam a robustez da arquitetura e reforçam sua aplicabilidade para ambientes reais com grande fluxo de estudantes.

          4.4 Resultados Qualitativos: Percepções e Experiências dos Estudantes

          A análise das respostas abertas permitiu identificar quatro categorias principais:

          1. Flexibilidade de horários: estudantes relataram maior autonomia por poder consultar o mentor em qualquer horário.
          2. Diminuição da frustração diante de erros: a resposta imediata do sistema reduziu sentimentos de bloqueio cognitivo.
          3. Confiança moderada nas respostas técnicas: alguns estudantes indicaram que, ocasionalmente, validavam respostas do mentor antes de aplicá-las — comportamento positivo que reforça autonomia crítica.
          4. Preocupações éticas: foram citadas inseguranças relacionadas ao uso de dados pessoais, alinhadas aos apontamentos de Kooli (2023) sobre governança digital, transparência algorítmica e responsabilidade no uso de agentes inteligentes.

          4.6 Síntese dos dados coletados

          Os resultados confirmam que:

          • O mentor virtual aumentou a autonomia e reduziu a frustração dos estudantes.
          • A arquitetura multimodal funcionou de forma estável e eficiente.
          • A solução é replicável, escalável e economicamente viável.
          • Há desafios relacionados à privacidade e à confiança no sistema.
          • A tecnologia se mostrou aderente às necessidades reais dos estudantes técnicos.

          Essas conclusões sustentam a relevância e a aplicabilidade do modelo arquitetural proposto.

          5 CONCLUSÃO/CONSIDERAÇÕES FINAIS

          A pesquisa confirma que a arquitetura proposta para o mentor virtual multimodal atende ao objetivo de oferecer suporte inteligente, acessível e contínuo no ensino de programação. O sistema demonstra capacidade de operar de forma estável, integra recursos técnicos avançados e se mantém aderente às demandas da Educação Profissional e Tecnológica. A solução evidencia que a combinação entre mensageria móvel, orquestração de fluxos, contêineres e inteligência artificial cria um ecossistema tecnológico inovador para o apoio pedagógico. O estudo comprova que o WhatsApp como ambiente de aprendizagem amplia o acesso a ferramentas, favorece a autonomia discente e estabelece um modelo replicável de mentoria digital.

          A análise mostra que a multimodalidade potencializa a compreensão de problemas e reduz barreiras que dificultam o avanço dos estudantes, validando a eficácia da solução. A pesquisa revela que a arquitetura aplicada permite escalabilidade, baixo custo e flexibilidade, configurando um modelo sustentável para instituições com infraestrutura limitada. Os resultados indicam que a solução cumpre sua finalidade ao proporcionar apoio imediato e personalizado, complementando o professor de maneira estratégica. Observa-se, como limitações, a dependência da conexão dos usuários, da maturidade técnica de cada estudante e das restrições de APIs externas.

          A adoção em contextos mais amplos requer ajustes em segurança, governança de dados e monitoramento. Sugere-se, para estudos futuros, o aprimoramento da personalização de trajetórias, a inclusão de modelos preditivos, a integração a ambientes virtuais e a expansão para outras áreas técnicas, além de estudos comparativos com outros assistentes educacionais.

          Conclui-se que o mentor virtual multimodal representa uma inovação relevante para o ensino técnico, atende plenamente aos objetivos e se consolida como alternativa viável para ampliar o acesso ao suporte educacional mediado por inteligência artificial. Observa-se, por fim, que a principal limitação envolve a dependência de infraestrutura tecnológica.

          REFERÊNCIAS

          CARDOSO, Fábio Santos; PEREIRA, Natália da Silva; BRAGGION, Rodrigo César; CHAVES, Paloma Epprecht e Machado de Campos; ANDRIOLI, Mary Grace. O uso da Inteligência Artificial na Educação e seus benefícios: uma revisão exploratória e bibliográfica. Revista Ciência em Evidência, [S. l.], v. 4, n. FC, p. e023002, 2023. DOI: 10.47734/rce.v4iFC.2332. Disponível em: https://ojs.ifsp.edu.br/cienciaevidencia/article/view/2332. Acesso em: 22 ago. 2025.

          CAMPOS, Mônica Schimidt Miyashiro; MATOS, Marilyn Aparecida Errobidarte de. A inteligência artificial como prática educativa na Educação Profissional e Tecnológica. In: Educação e Inteligência Artificial: desafios e diálogos na contemporaneidade. Guarujá-SP: Científica Digital, 2024. DOI: 10.37885/240115534. Disponível em: https://downloads.editoracientifica.com.br/articles/240115534.pdf. Acesso em: 15 set. 2025.

          PICÃO, Fábio Fornazieri; GOMES, Lucas Ferreira; ALVES, Luciene; BARPI, Odinei; LUCCHETI, Tatiane Alves. Inteligência artificial e educação: como a IA está mudando a maneira como aprendemos e ensinamos. Revista Amor Mundi, [S. l.], v. 4, n. 5, p. 197– 201, 2023. DOI: 10.46550/amormundi.v4i5.254. Disponível em: https://journal.editorametrics.com.br/index.php/amormundi/article/view/254. Acesso em: 29 set. 2025.

          KOOLI, Chokri. Chatbots in Education and Research: A Critical Examination of Ethical Implications and Solutions. Sustainability, v. 15, n. 7, art. 5614, 2023. DOI: 10.3390/su15075614. Disponível em: https://www.mdpi.com/2071-1050/15/7/5614. Acesso em: 21 out. 2025.

          BELDA-MEDINA, José; KOKOŠKOVÁ, Vendula. Integrating chatbots in education: insights from the Chatbot-Human Interaction Satisfaction Model (CHISM). International Journal of Educational Technology in Higher Education, v. 20, art. 62, 2023. DOI: 10.1186/s41239-023-00432-3. Disponível em: https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-023-00432-3 . Acesso em: 05 nov. 2025.

          LABADZE, Lasha; GRIGOLIA, Maya; MACHAIDZE, Lela. Role of AI chatbots in education: systematic literature review. International Journal of Educational Technology in Higher Education, v. 20, art. 56, 2023. DOI: 10.1186/s41239-023-00426-1. Disponível em: https://educationaltechnologyjournal.springeropen.com/articles/10.1186/s41239-023-00426-1 . Acesso em: 05 nov. 2025.

          1 Docente do Curso Técnico em Desenvolvimento Web e Mobile da Escola do Futuro de Goiás Sarah Luísa Lemos Kubitschek de Oliveira e-mail: fillipepinheiro2012@gmail.com
          1 Discente do Curso Técnico em Desenvolvimento Back-End da Escola do Futuro de Goiás Sarah Luísa Lemos Kubitschek de Oliveira e-mail: ericksantosyb@gmail.com
          1 Discente do Curso Técnico em Desenvolvimento Web e Mobile da Escola do Futuro de Goiás Sarah Luísa Lemos Kubitschek de Oliveira e-mail: joaovic220204@gmail.com