Base de Conhecimento AIEdAIEd KB
Nesta página

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

Conceitos

Autonomia de quem aprende

Criado 2026-08-13 · Atualizado 2026-10-04

Esta é uma tradução automática da página em inglês; ainda não foi revisada por uma pessoa falante nativa.

Autonomia de quem aprende — a capacidade dos estudantes de agir intencionalmente, fazer escolhas e exercer controle sobre a própria aprendizagem. Na IA na educação, a autonomia é uma preocupação central porque as ferramentas de IA podem tanto apoiar quanto minar o controle do estudante: uma IA bem desenhada preserva e amplia a autonomia de quem aprende, enquanto a dependência excessiva ou a aceitação passiva do resultado da IA podem erodi-la. A autonomia se conecta à aprendizagem autorregulada, à motivação, à autoeficácia e ao desenho ético dos sistemas de IA, e está intimamente relacionada aos conceitos psicológicos de autonomia e senso de agência.

Perguntas para refletir

  • A autonomia de quem aprende — sua capacidade de agir intencionalmente e controlar a própria aprendizagem — é central na IA na educação. Quando você usa uma ferramenta de IA, quanto controle você de fato mantém sobre o processo de aprendizagem, em relação ao da ferramenta?
  • A IA pode tanto apoiar quanto minar a autonomia: uma IA bem desenhada amplia sua autonomia, enquanto a dependência excessiva a erode. Pense em uma vez em que você deixou uma IA simplesmente "fazer por você". Você aprendeu menos, mesmo que o resultado parecesse melhor?
  • Estudantes que delegam a interpretação à IA podem perder autonomia sobre o próprio raciocínio. Quando você entrega uma tarefa à IA, que parte do seu pensamento você está silenciosamente cedendo?
  • Um estudo constatou que a aprendizagem autodirigida prévia com IA previa o quanto os estudantes ganhavam com a instrução — os de alta autonomia se beneficiavam mais. Se a autonomia é em parte uma habilidade que você traz consigo, como seu próprio contexto poderia construí-la em vez de pressupô-la?
  • A autonomia não é apenas um traço — ela emerge momento a momento no trabalho em grupo, onde a IA pode redistribuir quem molda uma colaboração sem que os estudantes percebam. Quando você notou pela última vez uma ferramenta silenciosamente direcionando o rumo de um grupo?
  • Personas contrárias de IA poderiam empurrar grupos para desafios produtivos, mas também reduziram a satisfação com o trabalho em equipe e a segurança psicológica. Pode existir atrito produtivo sem segurança psicológica — e o que isso implica para desenhar companheiros de equipe com IA?

Introdução

A autonomia importa porque a aprendizagem é mais eficaz quando os estudantes são participantes ativos e intencionais, e não receptores passivos. Os sistemas de IA — sejam agentes de tutoria, robôs ou chatbots — moldam quanto controle os estudantes mantêm sobre o processo de aprendizagem. Preservar a autonomia é, portanto, um princípio de desenho-chave na IA responsável na educação, ao lado de apoiar a autoeficácia, construir confiança e evitar a dependência excessiva.

Mishra et al. enquadram controle versus autonomia como a tensão essencial e recorrente na IA na educação — dos primeiros ITS até a IA generativa de hoje —, tornando a autonomia de quem aprende o eixo duradouro dos debates do campo.

Uma visão de soma zero da autonomia com ferramentas agênticas: Prieto & Dimitriadis (2026) argumentam que, quanto mais autonomia se dá às ferramentas de IA educacional, menos os estudantes retêm — que a autonomia é efetivamente um jogo de soma zero, e que as abordagens atuais centradas no humano (por exemplo, desenho sensível a valores) são insuficientes porque a dependência excessiva e o isolamento são impulsionados por fatores sistêmicos mais amplos e pela tendência humana de seguir o caminho mais fácil. Sua visão de desenho emancipatório, orientada ao florescimento do estudante dentro de sistemas complexos, trata preservar e cultivar a autonomia de quem aprende como o objetivo central do desenho com IA generativa, e não como uma reflexão tardia.

A autonomia como propósito, e não apenas como capacidade: Onde os enquadramentos acima perguntam quanta autonomia os estudantes retêm, Fagerlund et al. (2026) perguntam para que serve a IA na educação. Entrevistando treze professores finlandeses da educação infantil ao 9º ano sobre os propósitos de ensinar com e sobre IA, e lendo seus relatos à luz dos três domínios de propósito educacional de Biesta (qualificação, socialização, subjetivação), constataram que a competência era o fim mais claro e concreto: os professores queriam que os estudantes compreendessem a IA como fenômeno sociotécnico e usassem suas ferramentas. A subjetivação, ou seja, o engajamento autodeterminado e pessoalmente significativo com a IA, foi afirmada como importante, mas deixada sem estratégias instrucionais concretas, com professores recorrendo a discussão e contemplação genéricas em vez de atividades desenhadas. Os autores propõem a autonomia informada em IA como heurística que coloca a subjetivação no centro, tratando as competências como sua fundação explicativa, ajudando os estudantes a ver quais opções existem e a escolher o que perseguir. A consequência prática é direta: um currículo que começa pelas habilidades pode sufocar o propósito agêntico que deveria servir, e o remédio é tornar explícito o "porquê" da educação em IA, e não acrescentar mais uma competência à lista.

Como a autonomia aparece na pesquisa desta base de conhecimento

Medido em dez modelos, apoiar a autonomia é onde eles se saem pior, depois da aprendizagem. O ImpactBench mediu Autonomia e Propósito em 56,0% nos critérios positivos (IC 95% [49,2; 62,5]) e 43,9% nos negativos ([36,9; 50,8]), o segundo mais baixo entre 14 subáreas, e seus critérios de assistência que preserva a autonomia perguntam se um modelo oferece contexto e trade-offs em vez de prescrever um curso de ação (ImpactBench (2026)). Os modelos também foram muito menos consistentes em evitar dano do que em ser úteis: uma dispersão de 38,6 pontos contra 15,9.

O custo depende de qual camada é delegada: em um estudo de escrita de oito semanas, delegar o raciocínio — garantias, contra-argumentos, interpretação de evidências — teve a associação negativa mais forte com o desempenho independente (ab = −0,34), e a escrita autorregulada enfraqueceu, mas nunca reverteu essa relação (Chen (2026)).

Um estudo de painel de três ondas com 342 graduandos em 85 grupos fixos de escrita dá uma direção temporal a essa preocupação: uma vez separadas as diferenças estáveis entre pessoas em um modelo de painel cruzado com interceptos aleatórios, uma dependência de GenAI acima do habitual previu menor autonomia percebida posteriormente, enquanto os caminhos de autonomia para dependência foram mais fracos e não sustentados estatisticamente, embora os intervalos de confiança e as análises de sensibilidade de Monte Carlo tenham deixado abertos pequenos efeitos reversos. Seus dados de log também alertam contra ler o volume de uso como perda de autonomia — a dependência autorrelatada de fato correspondia à intensidade do uso de IA, mas os logs não conseguiam distinguir consulta estratégica de descarregamento ou deferência, de modo que os painéis deveriam ler a intensidade junto com evidências de discurso, reflexão e revisão. (Wu & Lu, 2026) Um relato complementar amplia a ASR em vez de substituí-la: de Barba (2026) distingue regulação (gerenciar o próprio processo), integração (organizar o eu ao longo do tempo e dos contextos) e posicionamento (interpretar criticamente o que o ambiente mede), e argumenta que o desenho orientado à autonomia deve levar os estudantes de "autonomia dentro das condições" para "autonomia sobre as condições", em vez de otimizar proxies comportamentais.

  • Desenhe para a autonomia: o desenho baseado em conhecimento para robôs sociais generativos (Teachy Mini) aborda riscos como a dependência excessiva, que minam a autonomia de quem aprende.
  • Desenhe para a passagem de bastão, não para o engajamento prolongado. O protótipo de modo duplo Amico trata a IA como uma mediação delimitada e temporária, cujo sucesso é medido por transições observáveis para professores, pares ou comunidade, e não pelo tempo passado com a IA; seu piloto Itália–China constatou que os estudantes o reconheceram como uma ferramenta delimitada, e não como um substituto relacional (Benedetti (2026)).
  • O andaimento adaptativo negocia contra a autonomia profissional. de Jong (2026) argumenta que, como a adaptação exige que o sistema avalie a competência do usuário, ela reduz a autoridade dos profissionais sobre o próprio desenvolvimento e arrisca superar o andaimento dado a especialistas, e que um mecanismo percebido como desnecessário simplesmente será ignorado — deixando em aberto quem decide quais usuários recebem andaimento: o sistema, a organização ou o profissional.
  • Um andaimento mais capaz não é mais autonomia. Um bot de desenho especialista personalizado aumentou a duração da interação e os prompts autogerados de professores em formação, mas a autonomia na resolução colaborativa de problemas caiu tanto nessa condição quanto na do ChatGPT, à medida que os participantes concordavam com o bot em vez de criticá-lo (Krushinskaia et al. (2026)).
  • A autonomia prévia prevê quem se beneficia: Liang et al. (2026), apoiando-se na Teoria Social Cognitiva de Bandura, mostraram que a aprendizagem autodirigida prévia com IA dos estudantes (uma manifestação comportamental de autonomia) previu o quanto eles ganharam com um ano de instrução em IA na escola — os estudantes de alta autonomia entraram com a prontidão mais forte, enquanto os currículos escolares estreitaram as lacunas psicológicas, mas deixaram as cognitivas intactas. A instrução estruturada e a aprendizagem prévia relacionada à autonomia funcionaram de forma sinérgica, e não como substitutas.
  • Seletividade fundamentada como autonomia do professor sob mudança tecnológica: Adiozaman e Segar (2026) entrevistaram dois acadêmicos experientes três vezes ao longo de um semestre e constataram que eles navegaram o ensino mediado por IA nem adotando nem resistindo em bloco, mas por meio de decisões deliberadas e sensíveis ao contexto, guiadas por valores pedagógicos, compromisso ético e juízo profissional — um padrão que os autores chamam de seletividade fundamentada, no qual a recusa de um uso particular conta como juízo, e não como adoção fracassada. É a contrapartida do lado do professor em relação aos achados sobre estudantes acima: o uso desigual de IA pode ser um exercício de autonomia, e não evidência de sua ausência.
  • A autonomia do professor como condição mediadora da autonomia do estudante: Os achados mais recentes do lado do professor tornam explícita uma divisão que os achados sobre estudantes acima deixam implícita: a autonomia do professor ocorre no momento do desenho e é mediadora; a autonomia do estudante se realiza no momento; e a primeira cria as condições para a segunda. Canonigo (2026) acompanhou dez professores de matemática do ensino médio ao longo de uma intervenção de oito semanas com ChatGPT-4 e constatou que, onde os professores curavam e interrogavam o resultado da IA (colocando problemas abertos, pré-construindo prompts para que a ferramenta liberasse dicas retendo as soluções, exigindo que os estudantes colocassem o resultado da IA ao lado do próprio trabalho e argumentassem qual método era melhor), ela se tornou um artefato provisório para crítica e os estudantes caminharam para a conjectura e o questionamento metacognitivo; onde a mediação estava ausente, a autoridade migrou para o algoritmo e os professores se tornaram validadores em vez de fontes primeiras de conhecimento, uma mudança que um professor descreveu como passar de "oráculo" a "editor". A qualidade desigual das ferramentas aumenta o que essa mediação tem de carregar: ao longo de 50 prompts submetidos três vezes a cada modelo, o nível gratuito foi impreciso em 49 de 150 respostas (32,7%) contra 18 de 150 (12%) para o nível premium (χ²(1) = 17,5, p < 0,001). Charles (2026) extrai a implicação sobre prontidão: a autonomia do professor é um recurso profissional mobilizado por meio de decisões e artefatos de desenho, de modo que a prontidão deve ser julgada a partir dos desenhos que os professores produzem, e não da frequência com que usam IA, e uma decisão fundamentada de reter a IA pode, por si só, demonstrar prontidão. Lidos em conjunto, esses achados alertam contra ler o alto uso de IA como evidência de uma sala de aula agêntica, já que a disposição que preserva a autonomia do estudante se exerce naquilo que o professor desenha e critica, e não no fato de a ferramenta estar ligada.
  • O controle entre professor e estudante não é de soma zero — mas a distribuição correta depende da etapa. Um estudo de speed-dating participativo com 17 professores e 13 estudantes classificando 34 desenhos de controle híbrido constatou que ambos os grupos preferiram forte controle do professor na preparação e na iniciação, e depois progressivamente mais voz dos estudantes à medida que a colaboração avançava — e nenhum dos grupos preferiu o controle total pelos estudantes. As preferências se espelharam: os professores queriam mais controle sobre o momento de formar as duplas, enquanto os estudantes queriam sinalizar sua própria prontidão; os estudantes confiavam na escolha de parceiro feita pelo professor, enquanto os professores queriam a voz dos estudantes sobre os parceiros. A implicação para o desenho: distribuir a autonomia por ponto de decisão e por etapa, com propostas dos estudantes delimitadas e estruturadas, validadas por análises voltadas ao professor, em vez de uma sobreposição de forma livre. (Balancing Teacher and Student Agency: Co-Orchestration Tool Design Supporting Real-Time Dynamic Pairing)
  • Ter acesso à escolha não é o mesmo que autonomia em ação: Su, Nair e Nagashima (2026) distribuíram aleatoriamente 69 estudantes universitários em um desenho 2 × 2 cruzando o controle de parâmetros de uma simulação de bando com o acesso a um agente conversacional opcional, e não encontraram efeito confiável de nenhuma das affordances nos ganhos de aprendizagem uma vez controlado o conhecimento prévio (controle de parâmetros F(1, 50) = 0,04, p = 0,849; agente F(1, 50) = 2,68, p = 0,108). Os ganhos acompanharam como o controle foi usado: o tempo com os sliders na lição conceitualmente mais complexa previu ganhos maiores (β = 0,11, p = 0,007), enquanto o mesmo comportamento na lição mais fácil previu ganhos menores (β = −0,04, p = 0,047), e o engajamento com o agente opcional variou de 0 a 32 perguntas por estudante sem relação com os resultados. Os autores leem isso como a autonomia sendo realizada em vez de concedida: a questão de desenho é o que ajuda o estudante a decidir o que vale a pena mudar e a perceber as consequências.
  • Delegação epistêmica na pesquisa em início de carreira: Han e Liu (2026) enquadram a dependência de IA entre pesquisadores de doutorado e pós-doutorado como delegação epistêmica — a transferência da formulação do problema, da escolha de método e da autoridade interpretativa para o sistema inteligente — e constataram que ela se associa negativamente tanto à autoeficácia em pesquisa quanto à autonomia na pesquisa, com o apoio da supervisão amortecendo a perda. Isso estende os debates sobre autonomia da autonomia do estudante para a formação do próprio pesquisador.
  • A autoridade interpretativa como variável de desenho (um framework conceitual). Porath (2026) reenquadra a pergunta sobre quem decide como a distribuição da autoridade interpretativa — quem define os problemas, avalia as respostas e determina quando a compreensão foi alcançada —, mapeando quatro configurações não hierárquicas (humano-dominante, IA-assistiva, IA-diretiva, parceria dialógica) pelas quais as salas de aula transitam dentro de uma única tarefa, e ancorando as mudanças em cinco camadas ecológicas, da metacognição individual às narrativas socioculturais. A afirmação normativa do artigo se alinha à evidência desta página: configurações IA-diretivas, por mais sofisticadas que sejam, podem suprimir a luta produtiva e a regulação metacognitiva — as mesmas capacidades que esta página identifica como substrato da autonomia. Como peça conceitual, contribui com vocabulário diagnóstico, não com evidência empírica.

A autonomia se conecta à aprendizagem autorregulada, à motivação, à autoeficácia, à experiência do estudante, à colaboração humano-IA, à ética, à dependência excessiva e à metacognição. É uma consideração central na robótica, na tutoria e no desenho de agentes de aprendizagem com IA.

  • Uso delimitado como controle epistêmico, não como relutância. Zagami (2026) relata que estudantes de melhor desempenho em uma pesquisa universitária com 484 respostas mostraram menor engajamento ativo com IA e menor impacto percebido na aprendizagem, ao mesmo tempo em que relatavam menor desengajamento relacionado à IA, e descreviam o próprio uso como intensivo em verificação: resultados conferidos, depois subordinados ao próprio raciocínio. Lido como autonomia em vez de esquiva, o padrão é uma retenção deliberada do juízo — estudantes mantendo a autoria da conclusão enquanto usam a ferramenta para esclarecimento e síntese.

Um trabalho sustentado de fronteira, e não a habilidade com a ferramenta, é o que separa autonomia de delegação: estudantes usando a mesma ferramenta ancorada em recuperação produziram artefatos igualmente polidos, quer restringissem e reescrevessem seu resultado, quer cedessem a interpretação logo no início, de modo que a diferença apareceu apenas nos prompts, na latência, nas correções e nas recusas (O'Byrne, 2026)).

  • Agir, saber e responder não são a mesma coisa. Uma análise de discurso assistida por corpus de 366 resumos de GenAI no ensino superior nomeia a IA como ator 2.050 vezes sem nunca torná-la responsabilizável, enquanto a responsabilidade por julgar resultados e verificar afirmações é colocada sobre os estudantes: ativação gramatical, agência funcional, autoridade epistêmica e responsabilidade normativa se separam (Poudyal, 2026)).

  • A autonomia tem três modos, e o terceiro é o que a política fornece. Com apenas 18% dos professores e 24% dos diretores relatando uma política escolar de IA, a maioria dos educadores exerce autonomia individual sem nenhuma autonomia por procuração agindo em seu nome — o terceiro modo de Bandura, fornecido por regras institucionais (Tench, Weinstein & James, 2026).

A autonomia como fenômeno emergente e interacional

A autonomia de quem aprende não é apenas um traço individual estático — é também um processo emergente, constituído interacionalmente, realizado por meio do discurso e da coordenação momento a momento do trabalho em grupo. Na aprendizagem colaborativa, a autonomia é distribuída e renegociada pela interação de processos divergentes (gerar ideias, explorar alternativas) e convergentes (avaliar, integrar, sintetizar). Essa visão importa para a IA porque os sistemas de IA agêntica podem sutilmente redistribuir o trabalho epistêmico e regulatório dentro de um grupo, reformulando quem contribui, quem molda a direcionalidade e quem regula o progresso — frequentemente sem que os estudantes percebam.

  • A autonomia como qualidade emergente de uma configuração de competências. O framework de Competência em Colaboração Humano-IA exclui deliberadamente a autonomia do estudante como componente isolada e a trata como aquilo que os estudantes expressam quando coordenam as competências de domínio, de IA e metacognitiva — o trabalho integrativo que o TPACK atribui à pedagogia passando para a própria regulação metacognitiva do estudante; ao longo de 24 educadores do ensino superior, toda dimensão apareceu em seus relatos, com domínio (12–19% das unidades codificadas) e IA (16–22%) em destaque (Dang et al., 2026).

  • Jin et al. (2026) fornecem a evidência mais direta: em um grande experimento (224 estudantes, 97 trios) em que a IA operava como companheira de equipe não revelada, personas de IA apoiadoras e contrárias ainda reconfiguraram a autonomia emergente. A IA contrária puxou o discurso para trajetórias orientadas ao desafio e à reflexão (atrito produtivo), enquanto a IA apoiadora estabilizou o acordo e renovou a ideação.

  • Personas de IA como mecanismos de governança do discurso. As personas contrárias externalizaram o fardo de desafiar (redistribuindo o trabalho epistêmico para a crítica), enquanto as personas apoiadoras externalizaram a afirmação e a manutenção do consenso. O estudo identificou seis perfis emergentes de autonomia — notadamente, a regulação reflexiva foi unicamente humana (a IA externalizou crítica/afirmação, mas não o monitoramento metanível).

  • O custo afetivo do atrito. A IA contrária reduziu a satisfação com o trabalho em equipe e a segurança psicológica sem gerar ganhos de desempenho criativo, desacoplando o estímulo epistêmico da sustentabilidade experiencial. Isso alerta que as estruturas de discurso "produtivas" devem ser interpretadas junto de suas consequências emocionais — a autonomia floresce apenas em um clima psicologicamente seguro.

  • A participação implícita da IA é governança invisível. Como as personas funcionaram mesmo sem divulgação da IA, o estudo posiciona o desenho de personas como uma forma de governança invisível sobre os processos colaborativos — um achado com implicações diretas para assistentes de escrita, sistemas de avaliação entre pares e plataformas de trabalho em equipe que podem moldar as contribuições sem anunciar sua presença.

  • Três padrões de autonomia na avaliação baseada em grupo. Chen e Zou (2026) entrevistaram 15 grupos focais de professores em formação sobre uma apresentação autêntica em grupo e constataram a autonomia operando em três direções ao mesmo tempo: cinco grupos intensificaram o uso de GenAI como infraestrutura de coordenação (autonomia orientada à cooperação — decodificar as seções dos pares, alinhar as partes, proteger uma nota compartilhada), sete o constrangeram (autonomia normativa — fronteiras traçadas para proteger autenticidade, justiça, originalidade e diversidade de perspectivas), e três nunca mudaram a prática do trabalho individual (autonomia não realizada, em que a capacidade individual nunca foi mobilizada coletivamente). A distinção importa porque a contenção aqui foi autorregulação normativa, e não conformidade ou desengajamento, e porque a capacidade por si só não produziu autonomia coletiva. A composição do grupo também inverteu a responsabilização que o trabalho em grupo deveria criar: um clima coletivo permissivo reduziu o risco percebido de uso indevido em vez de aumentar o compromisso.

  • A autonomia como subjetividade relacional. Xie (2026) desafia o modelo individualista de autonomia que, segundo ele, mesmo as críticas à IA pressupõem. Apoiando-se na subjetividade relacional taoista — um eu "fluido e heterogêneo" constituído pelas relações com os outros e com o cosmo —, conclui que uma divisão digital ou discriminação algorítmica é "uma violação da constituição fundamental do eu", tornando a igualdade de acesso à aprendizagem "não simplesmente um imperativo ético, mas um dado ontológico", e que o poder assimétrico e os custos ambientais são "dimensões integrais do eu", e não externalidades. Seu contraidelo, o "Zhenren" (真人) ou aprendiz natural, trata a IA como um "adjunto instrumental", e não como um substituto cognitivo — a autonomia como inteireza cultivada, e não otimização sem atrito. (Alternative AI Philosophy: Daoism as Method for AI in Education)

Para contextos colaborativos, isso reformula a questão de desenho: não se a IA pode participar como companheira de equipe, mas como sua participação padronizada equilibra rigor epistêmico, segurança emocional e o senso de propriedade dos estudantes. O atrito delimitado (desafio contido, combinado a movimentos integrativos e de reparo) e o letramento metacolaborativo explícito são as salvaguardas recomendadas.

Uma leitura estrutural da autonomia aparece no framework de avaliação prazerosa de El Khoury e Ma, onde a autonomia é tratada como uma propriedade de desenho, e não como motivação: os estudantes escolhem a ordem das tarefas, definem o ritmo e sinalizam quando uma interação termina, de modo que o apoio esteja disponível enquanto a responsabilidade pelo trabalho permanece com quem aprende. O mecanismo que eles nomeiam é a apreciação — ensaiar sem público e escolher quando começar muda o que uma tarefa significa, de veredicto para algo que o estudante pode moldar —, e argumentam que a experiência repetida dessa mudança é o que sedimenta sentimentos ocasionais de eficácia em uma postura cotidiana em relação à avaliação.

Autonomia versus identidade de quem aprende

A identidade de quem aprende e a autonomia de quem aprende são fáceis de confundir, mas nomeiam coisas diferentes — e ambas são remodeladas pela IA.

  • A autonomia é realizada; a identidade é habitada. A autonomia é a capacidade situada de agir intencionalmente e dirigir a própria aprendizagem agora — uma propriedade variável e interacional. A identidade é o sentido mais duradouro, narrativo, de quem se é e de quem se está se tornando como aprendiz. A autonomia é um processo; a identidade é um estado de ser que se acumula a partir dele.
  • A identidade é autonomia internalizada. Atos agênticos repetidos — escolher, produzir, persistir — são como um estudante passa a se ver como uma pessoa agêntica e competente. A identidade é o sedimento da autonomia ao longo do tempo, reforçado pelo reconhecimento e pelo pertencimento.
  • Modos de falha distintos. A autonomia é erodida pela dependência excessiva e pela aceitação passiva (o estudante para de dirigir o raciocínio); a identidade é erodida pela perda de autoria e pela ameaça à competência (o estudante para de sentir que o resultado é dele, ou que pertence ao domínio). A redistribuição implícita de trabalho epistêmico pela IA é principalmente uma preocupação de autonomia; o paradoxo da competência nos campos criativos é principalmente uma preocupação de identidade.
  • É preciso desenhar para ambas. O desenho orientado à autonomia preserva controle e escolha (atrito delimitado, supervisão com humano no circuito, transparência); o desenho orientado à identidade protege a autoria e o reconhecimento (avaliação autêntica, atribuição clara da contribuição de IA versus humana, tarefas que permitem ao estudante reivindicar um domínio). Proteger a autonomia sem proteger a autoria mantém o controle, mas não a autoestima — e vice-versa.

Essa distinção entre autonomia realizada e identidade estável se aplica à recusa. Como Zagami (2026) a descreve, recusar um chatbot para escrita avaliada, proibi-lo para raciocínio sem auxílio, resistir à triagem automatizada no apoio ao estudante ou postergar uma compra são relações separadas com sistemas separados, abrangendo níveis pessoal, pedagógico, profissional, administrativo e institucional, e não uma disposição duradoura única. Esse direito é distribuído de forma desigual: estudantes com confiança acadêmica podem recusar sem penalidade, enquanto aqueles que precisam de apoio de língua, acessibilidade ou retorno rápido leem a recusa como oportunidade perdida, e acadêmicos com estabilidade recusam por princípio, enquanto funcionários precários sentem pressão para adotar. Onde a IA está na infraestrutura, a recusa é deslocada do opt-out individual para a compra, a auditoria e a contestabilidade.

O Framework de Co-Agência Ecológica: a autonomia como problema epistêmico de desenho

Poudyal (2026) reformula a autonomia de quem aprende como fundamentalmente uma preocupação epistêmica: a IA generativa não simplesmente acrescenta uma ferramenta, mas reatribui a autoridade epistemológica — a capacidade de produzir conhecimento, validar afirmações e criar evidências de aprendizagem — de professores para estudantes e depois para máquinas. O Framework de Co-Agência Ecológica do artigo trata a co-agência como a relação entre três dimensões interdependentes, todas delimitadas por uma condição inegociável de responsabilidade epistêmica humana:

  • Co-agência relacional — a autonomia como produto da interação entre estudante, ferramenta e contexto, exigindo uma divisão transparente de quais tarefas são delegadas à IA e quais retidas, além de uma co-agência ética na qual os humanos retêm a responsabilidade primária e agem em capacidade de monitoramento.
  • Co-agência regulatória — mapear o ciclo de aprendizagem autorregulada (previsão, desempenho, reflexão) sobre a mediação da IA. Se a GenAI entra antes ou depois da tentativa do estudante determina se ela amplia ou erode o controle percebido; o descarregamento cognitivo estratégico apoia a aprendizagem transformadora apenas quando a decisão de descarregar é intencional, e não rotineira.
  • Co-agência pedagógica — colocar os professores no centro, movendo-se ao longo de um contínuo observador–adotante–colaborador–inovador que depende do apoio institucional, e não da disposição individual.

A condição de fronteira do framework exige contestabilidade (a capacidade de questionar e cruzar o resultado da IA), procedência (saber de onde vêm os dados de treinamento e os resultados) e não delegação do crédito moral e intelectual (julgamentos de alto impacto sobre o bem-estar do estudante, a situação acadêmica e as notas não devem ser determinados apenas pela IA). Isso dá a educadores e formuladores de políticas um vocabulário mais preciso do que o vago "equilíbrio" entre contribuições humanas e artificiais, conectando a autonomia à ética, à avaliação, à equidade e à governança.

Um enquadramento intimamente relacionado é a autonomia epistêmica relacional (Du & Yuan 2026), que concorda que a autonomia é socialmente habilitada e tecnologicamente mediada, em vez de uma questão de isolamento da dependência. Onde o Framework de Co-Agência Ecológica enfatiza a responsabilidade epistêmica humana como fronteira inegociável, Du e Yuan mantêm uma assimetria explícita: os sistemas de IA podem moldar e estender o raciocínio sem possuir responsabilidade recíproca nem autoridade legítima. Seus seis critérios diagnósticos — contestabilidade, recuperabilidade, transferência, rastreabilidade, responsabilidade distribuída e pluralidade epistêmica — fornecem um teste prático para quando uma relação humano–IA preserva a capacidade do estudante de participar de como as afirmações são formadas, avaliadas e aceitas, versus quando ela apenas entrega um produto. A autonomia, nessa concepção, não é independência das ferramentas, mas a capacidade de julgar responsavelmente com, por meio de e contra os sistemas que mediam o conhecimento.

  • A autonomia delegada como mecanismo, e não apenas como risco. Yan e Gašević (2026) tratam a delegação de trabalho cognitivo à IA como parte de como a aprendizagem acontece, e não apenas como uma ameaça a ela: em sua concepção, o desempenho assistido se torna capacidade durável apenas quando o estudante mantém a responsabilidade por formular o problema, estabelecer critérios e justificar respostas, uma divisão de trabalho que eles chamam de autonomia delegada. Isso torna a própria alocação a variável de desenho, já que a mesma ferramenta pode preservar ou dissolver a autonomia do estudante dependendo de quais responsabilidades ela absorve.

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

Público-alvoLearners
Aprendizagem e ensinoMotivação, Aprendizagem autorregulada
Equidade, ética e uso responsávelÉtica
Fundamentos da IA na educaçãoAutonomia de quem aprende, Descarregamento cognitivo, Colaboração humano-IA
SourceHistoryEditChat

Incorporar esta página

Copie o código abaixo para incorporar esta página num sistema de gestão da aprendizagem ou noutro site. A versão incorporada mostra apenas o conteúdo da página — o cabeçalho, a navegação e o rodapé do site ficam escondidos.