Este trabalho apresenta o desenvolvimento e a validação de um modelo matemático integrado para a otimização de cronogramas de estudo em sistemas de tutoria adaptativa, denominado Função Objetivo Unificada de Aprendizagem. Tradicionalmente, os sistemas de ensino computadorizados abordam o gerenciamento do conhecimento de forma fragmentada, focando isoladamente na mensuração de proficiência, na retenção mnemônica ou na eficiência operacional. A metodologia aqui proposta preenche essa lacuna na literatura ao unificar três vertentes teóricos concorrentes, em uma Interface de Avaliação de Aprendizagem: a modelagem psicométrica do traço latente via Teoria de Resposta ao Item (TRI), o decaimento exponencial da memória fundamentado na Curva de Esquecimento de Ebbinghaus e a mitigação do esforço temporal governada pela Curva de Aprendizado de Wright. Para mediar o conflito biológico e econômico intrínseco a essas forças — onde o aprendizado profundo exige tempo e a restrição de tempo limita o aprendizado —, construiu-se uma função de utilidade aditiva ponderada, submetida a restrições operacionais de custo máximo e consistência biológica. A resolução do espaço de busca hiperdimensional e não linear resultante foi mapeada utilizando o Algoritmo RLC Otimizador (RLCO), uma Metaheurística recente fundamentada na fenomenologia eletromagnética de circuitos elétricos em corrente alternada. No modelo proposto, a função de custo atua como a resistência ativa (R) do meio, enquanto a inércia do movimento e o histórico posicional dos agentes são governados pelas reatâncias indutiva e capacitiva, respectivamente. O sistema regula a intensidade da corrente de passo de busca através do Fator de Qualidade (Q), garantindo uma transição suave entre a varredura global (exploração) e o refino exato (explotação). As simulações computacionais baseadas em 100 execuções independentes demonstraram que o RLCO convergiu com 100% de viabilidade para o ótimo global estável, superando as limitações de estagnação locais de algoritmos tradicionais. A análise dos cenários evidenciou a existência de uma "crista de aprendizado perfeito", onde a calibração equilibrada dos pesos resultou em um cronograma com intervalo de revisão ótimo de aproximadamente 4 dias e teto de 6 revisões, garantindo elevados índices de proficiência teórica (~88,7%) e de retenção mnemônica (~79,8%) com custo de tempo moderado. A Interface de Avaliação de Aprendizagem (IA²) resolve, de forma robusta, o problema das agendas infinitas ou sobrepostas de revisão, pavimentando o caminho para uma nova geração de tutores adaptativos focados na máxima eficiência do tempo humano.