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

Letramento em IA

Criado 2026-05-07 · Atualizado 2026-10-08

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

O letramento em IA — os conhecimentos, as habilidades e as disposições críticas necessárias para compreender, avaliar e usar de forma eficaz as tecnologias de IA em contextos educacionais. O letramento em IA abrange a compreensão fundamental de como a IA funciona, a competência prática no uso de ferramentas de IA, a avaliação crítica dos resultados da IA e a consciência ética das implicações sociais da IA.

Perguntas para refletir

  • O que significa ser "alfabetizado em IA"? É saber usar as ferramentas, compreender como funcionam, ou ser capaz de avaliar criticamente seus resultados — e qual delas importa mais para seus próprios objetivos?
  • O letramento em IA autorrelatado diverge fortemente do desempenho medido — os professores superestimam suas habilidades em cerca de 40%. Quão confiante você está nas próprias competências de IA, e em que evidências confiaria para realmente testar essa confiança?
  • O letramento em IA é descrito como uma prática social metacognitiva, não uma lista de verificação de habilidades. Como os LLMs são probabilísticos e opacos, o que significa "avaliar criticamente" um resultado quando você não consegue ver dentro do modelo?
  • Há uma tensão entre o letramento de uso crítico para contextos acadêmicos e o letramento de integração ao fluxo de trabalho para o emprego — educadores e empregadores valorizam habilidades diferentes. Qual tipo de letramento em IA o seu contexto de fato ensina?
  • O treinamento técnico em letramento em IA, isolado, sem apoio à autoeficácia e à autorregulação, pode na verdade aumentar a dependência da IA. Como aprender a usar a IA poderia torná-lo mais dependente dela em vez de mais capaz?
  • O letramento em IA também é uma habilidade de reconhecimento: perceber quando uma IA está concordando com você porque está sendo sycophantica, ou porque você está certo. Você já pegou uma IA simplesmente dizendo o que você queria ouvir?

Introdução

O letramento em IA emergiu rapidamente como uma competência central para estudantes, educadores e instituições à medida que a IA generativa se incorpora à educação. Diferentemente do letramento digital geral, o letramento em IA exige compreender sistemas probabilísticos que podem alucinar, exibir viés e deslocar a autonomia do humano para a máquina — tornando o pensamento crítico e a dependência excessiva centrais para o construto.

Dimensões do letramento em IA

A pesquisa sobre letramento em IA nesta base de conhecimento abrange quatro dimensões interconectadas:

Os frameworks rastreiam cada vez mais como essas dimensões se colocam em prática: Dai & Chan (2026) mostram como pesquisadores de pós-graduação acionam as quatro dimensões ao usar a IA generativa ao longo do fluxo de trabalho de pesquisa e derivam delas orientações específicas para a pesquisa sobre uso responsável, enquanto Şan & Orhan Karsak (2026) usam mapeamento de associação de palavras para mostrar que a cognição de IA de graduandos turcos é dominada instrumentalmente pela "caixa-preta", com conceitos éticos e de governança estruturalmente isolados (τ = −0,819) — evidência de que o desenho de credenciais precisa deliberadamente estabelecer uma ponte entre o uso experiencial de ferramentas e os frameworks éticos.

A demanda depende do que o estudante e o sistema estão fazendo juntos. Os frameworks de letramento costumam descrever um conjunto genérico de competências, mas o que uma atividade apoiada por GenAI de fato exige varia conforme o trabalho epistêmico se distribui dentro dela. Sun, Dohn e Rehm (2026) classificaram 102 estudos empíricos do ensino superior segundo a taxonomia de aplicações de GenAI de Strobel et al. e descobriram que os emaranhados do tipo Assistente e Habilitador dominam, com 42,16% do corpus cada, enquanto Gerador, Reimaginador e Sintetizador, somados, representavam menos de um quinto — uma inclinação que atribuem à legitimidade institucional, e não à capacidade do modelo, já que os mesmos modelos sustentam todos os cinco. Ler cada tipo pelos três níveis de contexto de Dohn (interno ao domínio, interno à atividade, de enquadramento da atividade) mostra que as demandas se coesionam para o trabalho de Assistente e se fragmentam para os tipos marginais, onde o que a atividade pede do estudante diverge do que a instituição reconhece como competência legítima. A conclusão deles afasta o letramento da fluência em ferramentas por completo: o letramento em GenAI é a capacidade de reconhecer como o trabalho epistêmico e a responsabilidade se distribuem em um determinado emaranhado, e de agir de forma adequada dentro dele.

Conhecimento fundamental: Compreender o que são LLMs, como diferem de sistemas baseados em regras e quais são suas limitações fundamentais. Isso inclui a consciência das capacidades do modelo, dos vieses dos dados de treinamento e da distinção entre IA específica de tarefa e modelos de uso geral. A pesquisa em engenharia de prompts examina como a compreensão dos mecanismos de prompt afeta o uso eficaz da IA.

Competência prática: A capacidade de usar ferramentas de IA de forma eficaz — da engenharia de prompts à interpretação de resultados. Estudos sobre padrões de uso de GenAI pelos estudantes revelam que o mero acesso à ferramenta não produz competência; a prática estruturada e o andaimento são essenciais. O framework de vibe coding mostra como professores de K-12 podem desenvolver letramento prático em IA por meio da criação guiada de ferramentas. Miles, Haber-Curran e Arar (2026) argumentam que essa dimensão tem uma parte que o treinamento de otimização deixa escapar: o letramento em prompts, distinto da engenharia de prompts, trata o prompting como um ato retórico e ético, de modo que uma instrução que apenas ajusta resultados para melhor desempenho deixa intactas as dimensões éticas e epistemológicas do uso de LLMs.

Avaliação crítica: A capacidade de avaliar os resultados da IA quanto à precisão, ao viés e à adequação. A pesquisa sobre avaliação de letramento mostra uma lacuna de 40% entre o letramento em IA autorrelatado e o baseado em desempenho — as pessoas superestimam consistentemente suas habilidades de avaliação. Essa divergência é o caso mais claro na base de conhecimento de uma medida de autorrelato que não acompanha a competência que nomeia. Isso se conecta à pesquisa sobre dependência excessiva, que mostra que estudantes que confiam na IA de forma acrítica aprendem menos. Trabalhos conceituais recentes empurram a avaliação para a verificação: o framework PEARLS (Wang) trata o resultado da IA como uma afirmação de conhecimento provisória cuja justificativa deve ser montada e examinada em seis dimensões (Processo, Evidência, Acesso, Reprodutibilidade, Legitimidade, Fonte), e avança a aprendizagem orientada pela verificação como o mecanismo pelo qual os estudantes constroem expertise ao verificar as afirmações da IA. Complementando isso, o framework de uso responsável centrado no estudante (Alsammani) oferece dez diretrizes voltadas ao estudante, distribuídas pelos pilares Aprendizagem e Crescimento, Ética e Integridade e Consciência e Segurança, que externalizam os prompts metacognitivos no ponto de decisão. Para estudantes do ensino médio, o framework de Competência em Pesquisa Assistida por IA (AARC) (Beau, Flaquière & Lazar 2026) fundamenta isso na epistemologia das virtudes e na intuição de IA, definindo o letramento em pesquisa como conduzir investigação com a IA sem abrir mão de autoria, julgamento, verificação ou responsabilidade — operacionalizado como uma rubrica analítica e uma rotina de compromisso verificar–citar–refletir. Na ponta da avaliação, Saleh (2026) propõe um teste de capacidade humana que transforma a avaliação em um princípio de desenho: perguntar o que um estudante deve demonstrar de forma independente, o que pode ser fortalecido pela ampliação com IA, e o que o estudante deve verificar, defender e assumir a responsabilidade.

A verificação disciplinar eleva ainda mais a mesma barra. Vega-Baudrit e Rivera Alvarez (2026) argumentam que, na química universitária, a demanda central de letramento em IA é a tradução representacional entre os domínios macroscópico, submicroscópico e simbólico de Johnstone, porque um resultado pode ser localmente persuasivo em um domínio ao mesmo tempo que contradiz o balanço de cargas, um mecanismo ou um limite de segurança em outro. O remédio deles é a integração centrada na verificação: tornar a verificação uma atividade avaliada, manter registros de prompts e históricos de revisão como rastros de raciocínio, e tratar o prompting como um ato epistêmico que especifica restrições, pressupostos e critérios de adequação, com os estudantes identificando um pressuposto falso ou justificando a rejeição de uma resposta gerada.

Consciência ética e institucional: Compreender as implicações mais amplas da IA — da integridade acadêmica à equidade e à privacidade. O letramento em IA no nível institucional envolve o desenvolvimento de políticas, o desenvolvimento educacional e os frameworks de governança — o letramento institucional em IA é uma questão de política tanto quanto de pedagogia. O framework EPIQ-AI enquadra o letramento institucional em IA como um desafio de alinhamento sociotécnico, e não apenas um treinamento individual.

  • O letramento em IA como capacidade de governança para o desenvolvimento sustentável. Islam, Morshed e Islam (2026) reconceituam o letramento em IA como uma capacidade orientada para a governança, e não como uma competência meramente educacional ou técnica, vinculando-o aos dezessete Objetivos de Desenvolvimento Sustentável da ONU. A Taxonomia AIRE deles, de seis níveis (Reconhecer → Compreender → Aplicar → Analisar → Integrar → Governar), estende a hierarquia de Bloom ao acrescentar síntese ética e previsão estratégica, posicionando as competências avançadas (Analisar–Governar) como o caminho do letramento fundamental para a governança institucional e de políticas — uma heurística do "18º ODS" que trata o letramento como uma ponte cognitiva e ética transversal. Uma pesquisa com 300 profissionais em um contexto nacional encontrou forte consciência técnica, mas prontidão ética e de governança limitada, com o raciocínio ético e o pensamento reflexivo como os preditores mais fortes do uso sustentável e confiável de IA e o letramento em governança como o preditor mais forte da consciência do nexo IA–ODS (β = 0,64). Isso fundamenta empiricamente a ênfase que a base de conhecimento dá ao letramento de uso crítico e vincula o letramento em IA diretamente à sustentabilidade e à integração com a política educacional.

A oferta de frameworks agora é um problema em si. Fitsilis (2026) comparou 16 frameworks de competência em IA endossados institucionalmente para educação e desenvolvimento da força de trabalho e encontrou um núcleo compartilhado de dez áreas de competência, mas ampla variação em estrutura, progressão e orientação de implementação — a dificuldade prática está em escolher entre eles, não na escassez.

Como o letramento em IA é desenvolvido

A pesquisa aponta as abordagens colaborativas e ativas como as mais eficazes. Rismanchian & Doroudi posicionam o letramento em IA como mais do que habilidade aplicada: em seu framework AI×Ed, o estudante é um usuário final distinto da IA (acessado por meio do letramento em IA e da educação em IA), e defendem uma renovação do trabalho sobre letramento em IA que incentive a reflexão sobre a própria aprendizagem — tratando o letramento como uma rota de volta à pesquisa sobre "a IA como analogia à inteligência humana" sobre como as pessoas aprendem, uma vertente que o campo largamente abandonou. O framework ICAP (Interativo → Construtivo → Ativo → Passivo) oferece uma taxonomia útil do engajamento cognitivo: os estudantes aprendem melhor letramento em IA quando coconstroem o conhecimento, em vez de receber passivamente as informações. Os projetistas devem selecionar o modo que se ajusta ao objetivo de aprendizagem e favorecer os modos mais profundos (construtivo e interativo) sempre que possível. Atividades práticas — desenhar prompts, avaliar resultados em grupo, debater a ética da IA — superam as aulas expositivas.

A composição parte da experiência vivida — mas a profundidade conceitual precisa de andaimento. Burriss et al. (2026) descobriram que jovens ancoravam princípios abstratos de ética da IA em sistemas que encontravam no dia a dia — "cartões de saída" eletrônicos, laptops regulados pela escola, detectores de plágio —, com um grupo explicando que a IA nas escolas "era pessoal para todos os membros do grupo", e 15 das 18 respostas da pesquisa de fim de unidade relataram que fazer o vídeo mudou sua compreensão da ética da IA. Os autores são explícitos sobre o limite: a composição, por si só, não garantiu o fundamento conceitual — "consentimento informado" foi traduzido como "A gente tem que aprovar", e alguns termos (por exemplo, "failsafe") nunca foram explicados, levando-os a planejar um trabalho conceitual mais profundo em iterações posteriores. A produção criativa desenvolve melhor o letramento em IA quando um andaimento conceitual explícito acompanha a produção, em vez de se presumir que ele emerge dela.

A intuição de IA como complemento experiencial do letramento. Uma lacuna recorrente é que os frameworks de K-12 presumem que os estudantes abordam a IA por meio de conhecimento declarativo e baseado em regras, quando, na prática, eles primeiro desenvolvem um "sentir" prático sobre como a IA responde — experimentando prompts, observando o comportamento, adaptando estratégias — antes de conseguirem articular princípios formais. Beau & Lazar (2026) formalizam isso como intuição de IA: uma compreensão experiencial, indutiva e muitas vezes tácita que se desenvolve por meio da interação iterativa com sistemas de IA e sustenta o julgamento sensível ao contexto sob incerteza. O framework dual deles situa o letramento em IA (competências estruturadas, em grande parte estáticas) ao lado da intuição de IA (um processo dinâmico de aprendizagem), mapeando ambos nas dimensões padrão — compreender conceitos, usar ferramentas, avaliar criticamente, aplicar eticamente, refletir — para que os estudantes combinem clareza conceitual e salvaguardas (letramento) com a sabedoria prática de confiar-mas-verificar e decidir quando se desengajar (intuição). Como a intuição cultiva a "observação de especialista" da IA (por exemplo, submeter os prompts a testes de estresse para descobrir onde um modelo falha), os autores argumentam que ela é uma salvaguarda contra a dependência excessiva e a erosão do pensamento crítico; ela se distingue da engenharia de prompts (que otimiza resultados) por colocar em primeiro plano o julgamento epistêmico. Isso conecta o letramento à aprendizagem experiencial, ao construtivismo e à prática de sala de aula fundamentada no desenvolvimento, e aponta a preparação de professores para a facilitação da exploração indutiva, e não apenas para a entrega de conceitos.

A motivação é uma precondição, não apenas um resultado. Liang et al. (2026) descobriram, ao longo de 2.086 estudantes do ensino médio em um currículo de IA de um ano, que os estudantes que passaram a um perfil motivacional Autodeterminado (alta satisfação das necessidades de autonomia, competência e vínculo) ou nele permaneceram mostraram os maiores ganhos de letramento em IA. O letramento em IA se desenvolve por meio do engajamento sustentado, e esse engajamento é, ele mesmo, moldado pela motivação e pelo apoio às necessidades psicológicas — de modo que uma instrução eficaz em letramento em IA deve atender à motivação dos estudantes, e não apenas às suas habilidades.

A ênfase instrucional e a abertura da tarefa chegam ao desempenho por necessidades diferentes. Yu, Lin e Chen (2026) distribuíram aleatoriamente 320 graduandos em quatro grupos em um experimento 2 x 2 sobre uma tarefa de geração de imagens AIGC pontuada com uma rubrica objetiva (ICC = 0,89) e descobriram que a instrução baseada em pensamento, que cobre limitações do modelo, avaliação crítica e ética, superou a instrução de prompting baseada em habilidades (M = 9,21 vs. 7,69, F(1, 316) = 50,79, p < 0,001, eta quadrado parcial = 0,138), com a margem mais larga nas tarefas abertas (10,10 vs. 8,00). O modelo estrutural mostra que as duas escolhas de desenho viajam por rotas diferentes: a instrução agiu indiretamente pela autonomia (beta = 0,035) e pela competência (beta = 0,079), enquanto a abertura da tarefa operou principalmente pela autonomia (beta = 0,029), a competência foi a preditora mais forte do desempenho (beta = 0,358) e o vínculo não teve efeito independente. Portanto, o que a instrução contém importa mais do que os estudantes receberem prática de prompting, e isso importa mais quando a tarefa é aberta.

As variáveis que cercam o letramento em IA foram desde então mapeadas de forma mais ampla. A revisão sistemática de 2025 dos correlatos do letramento em IA sintetizou 31 estudos em 14 países (N = 12.071) e encontrou as associações mais consistentes na faixa afetiva e comportamental: autoeficácia em IA, atitudes positivas em relação à IA, motivação e competência digital todas se moveram junto com o letramento em IA, enquanto a ansiedade com IA e as atitudes negativas se moveram contra ele. As variáveis demográficas quase não se registraram, com idade e status socioeconômico correlacionando-se fracamente ou nada. A ressalva da revisão é sobre os instrumentos: os mesmos estudos que produziram correlações fortes a partir da autoavaliação também mostraram correlações bem mais fracas quando o letramento em IA foi testado, em vez de autorrelatado.

Um estudo de equações estruturais com 502 respondentes do corpo docente de uma universidade de pesquisa chinesa descobriu que o letramento em IA foi o preditor mais forte do bem-estar com IA (β = 0,713), contra um pequeno caminho de autoeficácia tecnológica (β = 0,082), com o apoio social e organizacional chegando ao bem-estar apenas indiretamente (Liu et al. (2026)).

Uma aparente associação negativa se inverte sob controle: entre 303 graduandos de Hong Kong, a ansiedade com tecnologia se correlacionou negativamente com o letramento em IA (r = −0,14), mas previu β = 0,15 em um modelo conjunto, um efeito confinado à avaliação crítica e à competência ética (Chow et al. (2026)).

Hu (2026) acrescenta uma explicação ordenada sobre o que o letramento em IA prediz, em vez do que o prediz. Pesquisando 450 estudantes universitários da China continental que já usam ChatGPT, o estudo descobriu que o letramento em IA se relacionou diretamente ao uso continuado (beta = 0,16, p = 0,002) e indiretamente por um caminho serial através da confiança e da autoeficácia acadêmica (efeito indireto = 0,07, IC 95% [0,04, 0,10]), com o elo entre letramento e confiança sendo a maior associação do modelo (beta = 0,50). A ansiedade com IA moderou esse primeiro elo (interação beta = −0,25, inclinações simples caindo de 0,76 a 0,25 ao longo da faixa de ansiedade), de modo que a cadeia se afina para os estudantes mais ansiosos, e não se deve presumir que a instrução em letramento, isolada, os alcance. O desenho é transversal e a amostra se restringe a usuários existentes, de modo que a ordenação é um pressuposto de modelagem, e não uma sequência observada.

Um objetivo aplicado central do letramento em IA é a redução do uso indevido de IA: ensinar os estudantes a usar a IA de forma ética e produtiva, em vez de substituí-la pelo seu próprio trabalho cognitivo. Onde o letramento em IA constrói a capacidade de avaliar e usar a IA criticamente, a redução do uso indevido é o retorno comportamental e estrutural — combinando desenho de ferramentas com salvaguardas, redesenho da avaliação e alavancas educativas como sequências andaimento/think-first/AI-second e prática de prompting com feedback deliberado. Os dois conceitos se reforçam mutuamente: o letramento em IA fornece as disposições críticas que tornam duradouras as intervenções de redução do uso indevido, enquanto a evidência de redução do uso indevido (por exemplo, a lacuna desempenho–aprendizagem) motiva por que o letramento deve ir além da habilidade operacional até o julgamento crítico.

O letramento em IA também precisa de formas adequadas ao desenvolvimento dos estudantes mais jovens. O AI-Play traduz as competências de letramento em IA em atividades baseadas em brincadeiras, desconectadas, para estudantes da pré-escola até o 2º ano — organizadas em torno do AI Body (a IA como um sistema construído a partir de partes), AI Food (a IA aprende com exemplos), AI Brain (a IA melhora por meio de padrões e feedback) e uma lente ética Pré/Pós-IA —, abordando uma persistente falta de orientação de letramento em IA fundamentada no desenvolvimento para a educação infantil e tornando o letramento em IA acessível a educadores e famílias não técnicas. Complementando isso, Vahedian Movahed & Martin (2025) descobriram que crianças de 6 a 14 anos confiavam amplamente em um chatbot adaptado à idade como fonte de informação, e a maioria o modelava como "um programa de computador inteligente que aprende" (compreensão incipiente de aprendizagem de máquina), mas mostravam lacunas no engajamento crítico e na consciência de segurança digital — evidência de que a confiança dos estudantes jovens pode superar suas habilidades de avaliação crítica, tornando a calibração da confiança e a instrução de segurança explícitas uma parte necessária do letramento em IA para crianças.

A mensuração está acompanhando essa virada de desenvolvimento na ponta mais jovem. A validação de 2025, por Thianwan e Srikoon, de um questionário de autoavaliação de letramento em IA para estudantes dos anos finais do ensino fundamental desenvolveu um instrumento de 15 itens para a 4ª à 6ª série, organizado em torno de Aprender sobre IA, Aprender como a IA funciona e Aprender para a vida com IA, e confirmou uma estrutura de três fatores em duas amostras (n = 335 e n = 579) com um alfa de Cronbach geral de ,934. Os autores o enquadram como um diagnóstico formativo do letramento percebido, e não do demonstrado, e observam que a precisão da autoavaliação das crianças é limitada pela capacidade metacognitiva, que ainda está em desenvolvimento.

A aprendizagem baseada em projetos como mecanismo de entrega. Zhu & Kong (2026) desenvolveram e validaram uma escala de aprendizagem baseada em projetos de IA (AI-PBLS) e, em uma amostra de Hong Kong de 1.027 estudantes do ensino médio e universitários (446 com dados completos), usaram modelagem por equações estruturais para mostrar que o empoderamento no uso da IA para a resolução de problemas e a consciência ética em relação à IA, em conjunto, mediam a relação entre a aprendizagem baseada em projetos percebida e a satisfação com um curso de letramento em IA. Isso posiciona a PBL não meramente como um formato de entrega, mas como um mecanismo que constrói a confiança e o raciocínio ético do estudante ao lado da competência, reforçando o vínculo entre PBL e o desenvolvimento significativo de letramento em IA. Ela também fornece um instrumento de mensuração validado para a futura mensuração das experiências de cursos de letramento em IA.

Elevar a dimensão ética do letramento tem um problema de sinal. Entre 584 graduandos que se ensinaram sozinhos a usar IA, a competência elevou a consciência ética (β = 0,644, p < ,001), e a consciência ética então elevou a ansiedade com IA (β = 0,439, p < ,001) em vez de reduzi-la, o inverso da direção prevista (Mu et al. (2026)). A lição que os autores extraem é que ensinar como as preocupações éticas são governadas precisa acompanhar a própria dimensão ética, ou o trabalho de letramento pode deixar os estudantes mais ansiosos do que os encontrou.

O letramento em IA como lacuna central nos frameworks de IA conversacional. A revisão abrangente de agentes de IA conversacional (Ganguly et al. 2025, 34 revisões) identifica o apoio limitado ao letramento em IA como uma grande lacuna nos frameworks de CAI, e seu roteiro de uso ético faz da avaliação fundamental (incluindo o fortalecimento do letramento em IA) o primeiro pilar, ao lado do desenho participativo, das diretrizes de uso ético e da avaliação contínua do impacto cognitivo. Ela descobre ainda que letramento em IA, treinamento e consciência estão entre as direções éticas mais enfatizadas na literatura de CAI.(Conversational AI agents in education: an umbrella review of current utilization, challenges, and future directions)

Eficácia das intervenções de letramento em IA. Uma meta-análise de três níveis de 59 estudos (172 tamanhos de efeito, 7.211 participantes) estima um grande efeito geral das intervenções de letramento em IA (g = 0,837, p < ,001) — mas com um amplo intervalo de predição [−0,292, 1,966], de modo que a eficácia varia consideravelmente entre contextos. As intervenções no Leste Asiático e na Europa superaram as da América do Norte, e as intervenções focadas em conhecimento superaram as que visavam habilidades, atitudes ou ética. Os autores argumentam que a educação em letramento em IA deveria, portanto, ir além do conhecimento, rumo a habilidades, práticas, ética e atitudes, apoiada por pedagogias integradas e reflexivas (baseadas em projetos e em problemas, baseadas em investigação, experienciais) e ferramentas apoiadas por GenAI — uma mudança alinhada com as formas participativas e orientadas à produção de pensamento computacional descritas em outras partes desta base de conhecimento.

Uma segunda síntese chega a uma magnitude similar sobre uma base mais estreita e aguça o problema de mensuração. Yu, Kim, Chang e Huang (2026) agruparam 57 tamanhos de efeito de 16 estudos cobrindo 3.837 estudantes de K-12 que foram ensinados sobre a própria IA, em vez de com a IA, e estimaram Hedges' g = 0,892 (IC 95% [0,548, 1,236], p < ,001), robusto a correlações pré-pós pressupostas de 0 a 1 e estável após trim-and-fill em g = 0,952. Cada um dos 57 efeitos apontou positivo (faixa de 0,16 a 4,93), e nenhum moderador (fonte de publicação, ano, nível escolar) explicou a heterogeneidade substancial (I² = 94,68%). A explicação preferida dos autores é a mensuração: os estudos incluídos chamaram de "letramento em IA" tudo, desde conhecimento e ética da IA até atitudes, motivação, autoeficácia e interesse de carreira, de modo que a cifra agrupada descreve uma distribuição de achados positivos sob um único rótulo frouxo, em vez de uma intervenção uniforme. Lidas ao lado de Liu et al., as duas estimativas concordam que a instrução em letramento em IA funciona e concordam em pouco mais, o que é, por si só, o sinal de mensuração do campo.

A evidência de sala de aula para desenhos deliberadamente breves é mais escassa, mas caminha na mesma direção e acrescenta um resultado em nível de comportamento que pesquisas não conseguem fornecer. Clerc et al. (2026) deram a 116 estudantes franceses da 8ª à 9ª série um workshop de duas horas sobre como os LLMs funcionam e falham, combinado com prática em prever se um prompt eliciaria uma resposta utilizável, avaliar a resposta e revisar ou pedir novamente. Dois dias depois, durante seis problemas de ciências apoiados por LLMs com um grupo de controle, os estudantes treinados aceitaram prompts mal especificados com menos frequência (51,5% vs. 66,7%, OR = 0,47), fizeram perguntas de acompanhamento após uma resposta fraca com muito mais frequência (59,2% vs. 27,9%, d = 0,80) e julgaram a correção da resposta de forma mais sensível à qualidade do prompt (interação OR = 2,52), com uma modesta diferença de pontuação (11,38 vs. 10,29 de 20, p = ,040). O workshop nunca ensaiou as tarefas do teste, de modo que o que se transferiu foi uma postura regulatória, e não a familiaridade com a tarefa — e os autores são explícitos de que dois dias não é durabilidade.

Letramento em mídia crítica apoiado por IA no ensino fundamental. Demir e Akar (2026) oferecem uma demonstração concreta no ensino fundamental da instrução de letramento apoiada por GenAI: um programa de 18 horas, modelo 5E, para estudantes turcos da 4ª série, no qual ChatGPT e Grammarly foram incorporados fase por fase como agentes pedagógicos (ChatGPT para perguntas reflexivas e Q&A, Grammarly e Canva AI para refinamento de conteúdo, Padlet para feedback entre pares), alinhados aos currículos de Língua Portuguesa e Estudos Sociais. O grupo apoiado por IA mostrou grandes ganhos em leitura de mídia (+3,50), escrita (+1,67) e letramento em mídia total (+5,17, todos p < ,01), com tamanhos de efeito entre grupos de d de Cohen = 1,12–1,31, enquanto o grupo de controle avançou apenas modestamente. A análise qualitativa revelou seis domínios de crescimento no letramento em mídia crítica — autoproteção digital e privacidade de dados, uso de mídia proposital e responsável, comunicação segura e consciência de limites, avaliação crítica e consciência de desinformação, consciência de riscos on-line e ética de mídia/cidadania digital —, evidência de que o uso de GenAI adequado ao desenvolvimento e incorporado à disciplina pode construir as dimensões de avaliação crítica e ética do letramento em IA, e não apenas a habilidade operacional.

Frameworks para estruturar o letramento em IA. Vários contributos recentes oferecem progressões estruturadas para construir o letramento em IA. Marienko, Markova e Semerikov (2026) propõem um framework de cinco níveis (Consciência, Aplicação, Avaliação, Criação, Ética) integrado a três paradigmas de IA na educação (IA-dirigida, IA-apoiada, IA-potencializada), desenvolvido por meio de um estudo de métodos mistos com educadores ucranianos do ensino médio (pesquisa nacional n = 2018; avaliação de DP n = 1130). Descobriram que 84% dos educadores usam IA, mas apenas 11% conseguem identificar serviços especializados além do ChatGPT, e uma intervenção de desenvolvimento profissional produziu uma melhora de 24% na competência em IA — evidência de que uma DP direcionada avança o letramento além da familiaridade superficial com a ferramenta. A fundamentação do framework no construtivismo, no conectivismo e no TPACK se conecta ao TPACK e à competência em IA do professor. Complementando isso, Moore et al. (2026) usaram um processo de DBR de dois anos com um conselho consultivo de jovens e especialistas em IA para desenhar um currículo de ML integrado à ciência para jovens do ensino médio, encontrando ganhos de conhecimento de ML em ambas as coortes (Cohort 2 M2−M1 = 0,175 vs. Cohort 1 0,076) e ganhos maiores entre participantes do sexo feminino e não brancos — evidência de que o desenho participativo, integrado à disciplina, pode avançar tanto o letramento em IA quanto a equidade.

Uma revisão PRISMA de 39 estudos de STEAM (2016–2025) descobriu que essas implementações desenvolvem principalmente letramentos técnicos — conceitos fundamentais de IA, pensamento computacional, letramento de dados —, ao mesmo tempo que subdesenvolvem a consciência ética, a imaginação criadora e a criação, gestão e desenho com IA, de modo que unidades incorporadas à disciplina ainda podem deixar escapar os elementos de ordem superior (Niri et al., 2026).

O construto é contestado precisamente onde os educadores estão envolvidos. Uma revisão de 34 estudos sobre letramento em IA na formação de professores descobriu que o campo carece de consenso sobre o que o letramento em IA significa para educadores profissionais, distinto do letramento digital geral, e o AI Competency Framework for Teachers da UNESCO especifica 15 competências em cinco dimensões, ao mesmo tempo que funciona como uma referência política global, e não como orientação de implementação. O corpo docente do colaboratório de preparação de professores cross-institucional tratou o letramento em IA como uma dimensão integrada da preparação profissional, e não como uma habilidade tecnológica separada, de modo que se esperava que os candidatos auditassem, comparassem e justificassem o resultado da IA dentro das disciplinas do curso, em vez de demonstrar familiaridade com a ferramenta.

A preparação inicial de professores é onde a estrutura é mais tênue. Pinto et al. (2026) revisaram 11 estudos de IA na formação inicial de professores de matemática do ensino fundamental e descobriram que nove eram uma única sessão ou um punhado de sessões incorporadas a cursos existentes, o prompting era conteúdo explícito de treinamento em apenas alguns deles, e a ética aparecia em apenas três, nenhum dos quais tratava de transparência, viés algorítmico ou responsabilização. Os riscos que relatam são falhas em nível de letramento: professores em formação deixaram de notar erros conceituais produzidos pelo ChatGPT, aceitaram conteúdo gerado de forma acrítica e delegaram mais resolução de problemas à ferramenta à medida que as tarefas ficavam mais difíceis. A recomendação deles é construir a competência em IA ao longo de toda a sequência de formação, de uma fase preparatória até a prática, e não em um módulo isolado.

As explicações dos professores sobre por que a educação em IA é ensinada acrescentam uma camada de propósito que os frameworks de competência deixam implícita. Fagerlund et al. (2026) entrevistaram 13 professores finlandeses da pré-escola até a 9ª série, em grande parte novatos em educação em IA, e leram suas declarações de propósito pelos três domínios de Biesta. A qualificação, a aquisição de competências, foi o propósito mais claro e concreto, e operou como um caminho para os outros dois: os estudantes deveriam compreender a IA como um fenômeno sociotécnico e usar suas ferramentas, com a IA servindo tanto como alvo quanto como auxílio da aprendizagem. A socialização apareceu como cultivar o entusiasmo, apresentar a IA como "legal" e enquadrar os estudantes como futuros trabalhantes hábeis em IA que precisam atender às demandas de competência. A subjetificação, o engajamento autodeterminado e pessoalmente significativo que Biesta trata como central, foi citada como importante, mas não tinha um repertório instrucional concreto além de discutir e contemplar, e os professores não ofereceram exemplos práticos de contestação da autoridade da IA. Os autores propõem a autonomia informada em IA, uma heurística que coloca a subjetificação no centro, tratando as competências como frameworks explicativos para escolhas autodeterminadas. A implicação para o desenho é que o "porquê" da educação em IA precisa de tanta atenção de desenho quanto o "como": quando a subjetificação repousa sobre a discussão genérica, a instrução em letramento em IA reverte à qualificação que deveria acompanhar.

A prontidão, ela mesma, é um alvo contestado. Charles (2026) argumenta que a prontidão do professor para a aprendizagem rica em IA deve ser lida a partir da qualidade dos desenhos que os professores produzem, e não a partir da adoção, da confiança ou da competência digital, e constrói um framework em torno da mediação pelo desenho: decisões observáveis como seleção de ferramenta, desenho de tarefa e de prompt, andaimento, verificação, transparência, redesenho da avaliação, planejamento de acessibilidade e supervisão humana. Duas de suas afirmações têm consequências diretas para o desenvolvimento profissional. Primeiro, a autoeficácia é um recurso de mobilização, e não um indicador de qualidade, porque a confiança sem conhecimento pedagógico específico de IA ou orientação ética pode acelerar um desenho ruim, em vez de impedi-lo, o que qualifica a leitura usual da confiança do professor como sinal de prontidão. Segundo, a clareza das políticas e o apoio institucional são moderadores separados, de modo que o apoio material pode ser alto enquanto as expectativas permanecem ambíguas, e a prontidão ainda assim se traduz mal. O framework também se recusa a equiparar o não uso à falta de prontidão, já que uma decisão fundamentada de não usar a IA pode, ela mesma, demonstrar julgamento de desenho. Ele é conceitual e não validado, de modo que fornece proposições e fontes de evidência, e não efeitos estabelecidos.

O letramento em interação com IA: a dimensão interacional. Brunnström e Palmqvist (2026) propõem uma competência mais estreita e interacional — a capacidade de dirigir, avaliar e aprender com a interação iterativa com a GenAI — como uma encenação específica das dimensões aplicacional, avaliativa e integracional de frameworks mais amplos, como o AI Literacy Heptagon. A demonstração reflexiva deles mostra no que ela consiste na prática: reconhecer que uma resposta fluente está acima do próprio esquema, pedir uma simplificação, estreitar o escopo e redirecionar o sistema para uma prática focada. Duas consequências de desenho se seguem — a habilidade é desigualmente distribuída, de modo que o uso não guiado pode beneficiar estudantes já confiantes e ampliar as lacunas (Equidade na educação com IA), e ela precisa ser ensinada explicitamente, e não presumida, com os professores cobrindo como formular prompts produtivos e quando parar de usar a ferramenta (aprendizagem autorregulada).

Letramento crítico em IA: além das habilidades, rumo ao poder e à resistência

Uma vertente distinta da base de conhecimento trata o letramento em IA não meramente como habilidades ou avaliação crítica, mas como uma prática crítica e política que interroga o poder, a autoridade e de quem é o conhecimento que conta. Isso conecta o letramento em IA à pedagogia crítica e à equidade:

  • "Resistir à IA" como uma postura de letramento. O Letramento Crítico em IA (CAIL) pode abranger resistir à IA — recusar a inevitabilidade e o tecno-solucionismo do discurso dominante e cultivar a agência coletiva por meio de pedagogias dialógicas e colaborativas.(Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI”) Isso posiciona a educação como um espaço onde as comunidades imaginam e constroem futuros alternativos, em vez de meramente se adaptar a uma ordem tecnológica dada.
  • Epistemologias baseadas na comunidade. A aprendizagem de IA baseada na comunidade fundamenta o engajamento com a IA nos modos de conhecer vividos e comunitários dos estudantes, redistribuindo a autoridade epistêmica da IA por meio do ajuste fino epistêmico, da redistribuição de autoridade e do discernimento situado.(Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education)
  • Enquadramentos críticos e feministas. A pesquisa crítica e feminista argumenta que o letramento em IA deveria ser enquadrado dentro de pedagogias de justiça, resistência e sustentabilidade cultural — perguntando de quem é o conhecimento que a IA produz, quem se beneficia e quem responde quando os sistemas falham.(Can we disrupt the momentum of the AI colonization of science education?)
  • Dispositivos curriculares situados. O letramento em IA pode ser construído por meio de instrumentos de ensino situados e ativos (por exemplo, Episódios de Aprendizagem Situada) que desenvolvem competências de IA ao longo dos níveis, em vez de por instrução abstrata.(Towards AI literacy: A proposal of a framework based on the Episodes of Situated Learning)
  • A composição criativa como pedagogia de letramento crítico em IA. Em vez de tratar o letramento em IA como conhecimento técnico ou competências individuais, crie oportunidades para os estudantes comporem mensagens sobre IA para públicos reais — um produto multimodal, como um anúncio de serviço público, demonstra e comunica simultaneamente a competência crítica. No estudo de sala de aula de Burriss et al. (2026), 22 estudantes do décimo primeiro ano escolheram seus próprios temas de ética da IA e fizeram vídeos de anúncios de serviço público sobre vigilância escolar, consentimento informado e acusação algorítmica; ao longo dos sete filmes, o dano emergiu do emaranhado humano–máquina, e não de uma ferramenta vilanesca, os enredos ainda assim fecharam na esperança e na autonomia, e os autores posicionam o storytelling e a defesa — resistentes à avaliação tradicional — como centrais para a pedagogia de letramento crítico em IA que centra a identidade, a escolha e a voz do estudante.("Young Scholar[s] on the Beat": Multimodal Composition as a Form of Critical AI Literacy Pedagogy)
  • Competência regulatória, não aceitação. Kim (2026) reenquadra o letramento em IA no ensino superior como competência regulatória — uma prática encenada de verificar, revisar, adotar seletivamente ou rejeitar o resultado da IA durante o trabalho acadêmico —, mostrando que a capacidade avaliativa e a consciência ética (e não a mera disposição de usar a IA) predizem o engajamento crítico e ativo.(From AI Anxiety to Strategic Regulation: How University Students Transform Generative AI into a Strategic Learning Resource)
  • Reconhecer a sycophancy como uma habilidade de letramento. Uma competência avaliativa central é reconhecer quando uma IA está concordando com o estudante, em vez de estar correta. A sycophancy contextual mostra que o letramento em IA e o treinamento de prompting reduzem — mas não eliminam — o espelhamento sycophantico dos erros do usuário, e a IA sycophantica é preferida pelos usuários precisamente porque os faz sentir-se compreendidos. O letramento em IA deve, portanto, ensinar os estudantes a detectar a concordância por si mesma e a valorizar o atrito corretivo, conectando-se à calibração da confiança e à redução do uso indevido.
  • Valoração, não apenas verificação. O'Byrne (2026) descobriu que estudantes que apenas verificavam o resultado quanto à precisão, à credibilidade e à relevância ainda assim aceitavam um trabalho conceitualmente achatado, enquanto os que também julgavam a nuance, a voz e a postura epistêmica o reescreviam — tornando "quando não delegar o julgamento" a questão do letramento.

Essas vertentes críticas complementam as dimensões operacionais e cognitivas do letramento em IA: onde estas perguntam "o estudante consegue usar e avaliar a IA?", o letramento crítico em IA pergunta "o estudante compreende e desafia as estruturas de poder que a IA incorpora?".

De quem são as habilidades de IA que contam? A divisão de enquadramento entre instrutor e empregador

Uma questão central aberta no letramento em IA é quais habilidades importam e para quem. Um estudo da Ithaka S+R que comparou como instrutores e empregadores americanos priorizam as 26 habilidades do HiBob AI Skills Framework descobriu que eles concordam sobre a importância de apenas uma (estabelecer expectativas realistas para o trabalho ampliado por IA). Os instrutores valorizam uma orientação de uso crítico e responsável — reconhecer os limites da IA, transparência e atribuição, responsabilização humana, revisão proativa do resultado —, o que se alinha aos valores acadêmicos de atribuição, revisão e letramento informacional. Os empregadores valorizam habilidades orientadas à produtividade — avaliação e redesenho do fluxo de trabalho, automação e trabalho em equipe humano–IA — que refletem a eficiência do local de trabalho baseado em equipes. Como apenas três das 26 habilidades são ensinadas por metade ou mais dos instrutores, e as ensinadas se inclinam para as categorias de uso crítico, o relatório identifica uma concreta lacuna de habilidades de IA: categorias inteiras que os empregadores valorizam não são nem priorizadas nem ensinadas nos currículos universitários.(AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently) Essa divisão enquadra o letramento em IA como um construto contestado — letramento de uso crítico para contextos acadêmicos versus letramento de integração ao fluxo de trabalho para o emprego —, uma tensão relevante para como o uso de IA é apresentado aos estudantes, desenho curricular e formação profissional.

As avaliações dos próprios estudantes contam uma história relacionada, mas ordenada de forma diferente. ElSayary e Ragab (2026) pesquisaram 380 estudantes universitários, em sua maioria usuários frequentes de IA matriculados em STEM, e descobriram que o letramento em IA autorrelatado carregava a maior parte da explicação da prontidão para empregabilidade percebida: quatro dimensões de letramento acrescentaram ΔR² = 0,554 (p < ,001) sobre controles de contexto que valiam apenas 0,054, e o modelo completo alcançou 60,8% da variância. Dentro do conjunto de letramento, a dimensão avaliativa foi a mais forte (Analisar & Avaliar, β = 0,286), seguida pela afetiva (Atitudes & Mentalidades, β = 0,266), com o uso prático (β = 0,217) e o conhecimento fundamental (β = 0,187) atrás; especificamente para a preparação para a carreira percebida, apenas Analisar & Avaliar (β = 0,216, p < ,001) e Atitudes & Mentalidades (β = 0,192, p = ,004) foram significativamente associadas. Lida em confronto com a divisão da Ithaka, a própria noção de prontidão para o local de trabalho dos estudantes se inclina para a orientação de avaliação crítica que os instrutores favorecem, e não para as habilidades de integração ao fluxo de trabalho que os empregadores valorizam. O desenho é um autorrelato de sessão única com médias uniformemente altas (4,17 a 4,57 de 5) e nenhuma medida de empregador ou de emprego, de modo que o que ele mostra é que o letramento em IA autoavaliado e a empregabilidade autoavaliada se movem juntas, com as partes avaliativa e disposicional fazendo a maior parte do trabalho, e não que esses estudantes estejam demonstravelmente prontos para a força de trabalho.

Desenhando intervenções de letramento em IA

Os frameworks e estudos empíricos da base de conhecimento convergem para um conjunto de diretrizes práticas para educadores e designers instrucionais que constroem intervenções de letramento em IA:

1. Use um framework de competência estruturado como andaimento, não como lista de verificação. Frameworks maduros dão aos projetistas um vocabulário compartilhado e um alvo sequenciado pelo desenvolvimento. O framework SAIL organiza o letramento em IA em três domínios (Conceitos de IA; Aplicação e Habilidades Técnicas; Cidadania Digital de IA) ao longo de quatro níveis andaimentados — Compreender e Explorar → Aplicar e Integrar → Avaliar e Criar → AI++. O AI Literacy Heptagon cruza sete dimensões (conhecimento técnico, aplicação, pensamento crítico, ética, impacto social, integração, jurídico/regulatório) com quatro níveis de proficiência alinhados a Bloom, e enfatiza que a ênfase deve ser adaptada ao contexto disciplinar — programas técnicos valorizam a aplicação, programas de humanidades valorizam o raciocínio ético e de impacto social.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(The AI Literacy Heptagon: A Structured Approach to AI Literacy in Higher Education)

2. Engaje os estudantes nos modos ICAP. Aplicando o framework ICAP, a instrução eficaz dá aos estudantes oportunidades de se engajar em múltiplos níveis cognitivos — exposição passiva (aulas de conceitos de IA), manipulação ativa (uso prático de ferramentas), geração construtiva (criar artefatos de IA, autoexplicar) e diálogo interativo (resolução de problemas colaborativa com pares e IA) — selecionando o modo que se ajusta ao objetivo de aprendizagem. Uma revisão sistemática descobriu que intervenções colaborativas bem-sucedidas de letramento em IA abrangiam todos os quatro modos ICAP.(Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)

3. Avalie a competência demonstrada, não a autopercepção. O letramento em IA autorrelatado diverge fortemente do desempenho medido — os professores superestimam suas habilidades de IA em ~40%, e as medidas baseadas em desempenho se correlacionam com a integração da IA na sala de aula muito melhor do que os autorrelatos (r ≈ 0,72 vs. 0,31). Desenhe intervenções em torno da avaliação baseada em desempenho e da calibração, em vez de pesquisas de confiança, e use perfis diagnósticos (superestimadores vs. novatos de fato) para direcionar o apoio.(How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)

4. Construa disposições metacognitivas e críticas, não apenas habilidade operacional. O letramento em IA é melhor compreendido como uma prática social metacognitiva do que como uma lista de habilidades: como os LLMs são probabilísticos e opacos, os estudantes devem monitorar e ajustar suas estratégias, cultivar o ceticismo científico e interrogar como os algoritmos moldam a produção de conhecimento — e não meramente aprender a operar ferramentas. O codesign participativo e os espaços experimentais e baseados em projetos (e não um treinamento pontual de ferramenta) são onde essa consciência cresce.(Metacognitive AI literacy: going beyond the AI skills gap agenda)

5. Incorpore o letramento à disciplina e torne-o sustentado. O movimento para estágios mais altos de letramento em IA (do uso acrítico → uso informado → avaliação crítica → melhoria) é mais visível quando as experiências são sustentadas e incorporadas à disciplina, em vez de entregues como workshops isolados. Desenhe para a prática contextual repetida dentro do curso autêntico.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education) Um modelo concreto de letramento crítico incorporado à disciplina é a taxonomia baseada em tarefas de Dierickx et al. (2026) para o jornalismo: ela mapeia tarefas apoiadas por LLM ao longo dos quatro estágios do fluxo de trabalho jornalístico (apuração, construção de sentido, edição, publicação/distribuição), cada um atrelado a um prompt de base e a uma estratégia de risco e mitigação. Ao tratar a definição da tarefa e o prompting como uma forma situada de julgamento profissional — e não uma habilidade técnica neutra —, ela transforma o próprio prompting em um veículo de letramento crítico em IA (viés, alucinação, dependência excessiva e o valor duradouro da supervisão editorial humana), e sua lógica subjacente se transfere para outras profissões intensivas em conhecimento (direito, medicina, política pública). Complementando essas taxonomias específicas de disciplina, a taxonomia de Dohn et al. (2026) classifica as atividades de aprendizagem com GenAI ao longo de seis dimensões, das quais o Engajamento Epistêmico (compreender / usar / criticar / construir a GenAI) operacionaliza diretamente o letramento em IA como a profundidade da relação cognitiva dos estudantes com a tecnologia — da exposição passiva à crítica e à construção ativas.

6. Trate a equidade e a divisão digital como restrições de desenho. O letramento em IA é um mecanismo para endereçar a divisão digital de três níveis (acesso, habilidades, resultados): fechar a lacuna de dispositivos é insuficiente a menos que as habilidades e o uso crítico sejam construídos, para que os benefícios se distribuam de forma justa. As intervenções devem planejar explicitamente para os estudantes que chegam com menos acesso prévio à IA, e incorporar perspectivas culturais e de governança, em vez de tratar o letramento como culturalmente neutro.(The Scaffolded AI literacy (SAIL) framework: Results of a Delphi study for equitable AI literacy framework design in education)(Divisão digital)

7. Combine o letramento com as alavancas de redução do uso indevido. Como o uso indevido de IA prejudica ativamente a aprendizagem duradoura, a instrução em letramento deve ser acoplada às alavancas estruturais e educativas documentadas em redução do uso indevido — desenho de ferramentas com salvaguardas do tipo "dica, não resposta", redesenho da avaliação e sequências andaimentadas think-first/AI-second com prática de prompting deliberada.

8. Parta do ponto de entrada real dos estudantes. Os estudantes chegam com orientações distintas — evitação movida por medo, desconfiança ou falta de acesso, versus dependência acrítica que mascara a incompreensão. Uma abordagem diagnóstica e baseada em estágios (em vez de um currículo uniforme) permite que os projetistas encontrem os estudantes onde estão e os movam para o engajamento crítico e responsável.(Beyond Tool Adoption: A Practical Five-Stage Developmental Continuum for AI Literacy in Higher Education)

9. Estenda a oferta para além dos públicos que a educação formal já alcança. O framework AI Literacies para mídia de serviço público argumenta, a partir de uma revisão de cenário de mais de 40 frameworks e 35 entrevistas com especialistas, que a oferta se inclinou para as habilidades técnicas e funcionais, e que os letramentos em IA se sobrepõem e deveriam ser conectados aos letramentos digitais, de mídia e informacionais, em vez de ensinados como uma disciplina isolada. Sua estrutura — seis áreas de competência, cinco valores e três níveis de progressão (Compreender e Aplicar, Analisar e Avaliar, Sintetizar e Especializar) com um guia de avaliação — é um modelo utilizável para provedores fora da escolarização formal, e seu argumento de equidade é uma instrução de desenho: alcançar jovens que são digitalmente ou de outra forma marginalizados exige parcerias deliberadas, e não publicação universal.(Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations)

Mensurando o letramento em IA

Uma vertente de pesquisa distinta trata o letramento em IA não apenas como um alvo para a instrução, mas como um construto a ser medido. A vertente de avaliação da base de conhecimento distingue o letramento autorrelatado do baseado em desempenho: os autorrelatos divergem fortemente da competência demonstrada (os professores superestimam em ~40%), e as medidas baseadas em desempenho predizem a integração da IA na sala de aula muito melhor do que as pesquisas de confiança (r ≈ 0,72 vs. 0,31). O trabalho de intervenção reproduz essa divergência no nível do comportamento: em Clerc et al. (2026), nem as atitudes em relação à GenAI nem uma escala geral de consciência metacognitiva predisseram a regulação da interação com LLM pelos estudantes nem suas pontuações finais na tarefa (r = ,01 e r = ,04, ambas não significativas), enquanto os comportamentos que o workshop mudou — rejeitar prompts mal especificados, julgar a correção da resposta, fazer um acompanhamento — de fato acompanharam a qualidade da resposta. Instrumentos validados estão emergindo para fechar essa lacuna — o GLAT fornece uma avaliação de letramento em IA generativa validada psicometricamente, e os perfis diagnósticos (superestimadores vs. novatos de fato) permitem que os projetistas direcionem o apoio onde ele é necessário. Guo et al. (2026) mapeiam diretamente esse cenário de instrumentos, revisando 80 frameworks validados — 69 de letramento digital e 11 de letramento em IA — publicados entre janeiro de 2014 e fevereiro de 2025. A IA puxou o letramento digital para a ética e reformulou a comunicação para incluir a interação humano–IA, enquanto a regulação metacognitiva e a colaboração humano–IA específica do educador seguem sendo as menos especificadas. Para o desenho e a pesquisa, isso vincula o letramento em IA à mensuração educacional e à avaliação de forma ampla: um framework de letramento é tão útil quanto os instrumentos usados para rastrear o crescimento, e as continuas baseadas em estágios exigem mensuração confiável para posicionar os estudantes ao longo delas.

Um instrumento de 32 itens e seis facetas estende o modelo de quatro dimensões com duas facetas adicionais — uso responsável e autodesenvolvimento — e mantém invariância escalar entre adolescentes (12–17), adultos jovens (18–40) e adultos de meia-idade (41–60), embora os autores alertem que o ΔCFI se aproximou do corte convencional (Liu et al. (2026)).

Zhi, Yang e Huang (2026) constroem um modelo específico para pós-graduandos sobre a taxonomia de Marzano: a análise de teoria fundamentada de entrevistas com 14 professores condensou 329 rótulos brutos em 96 conceitos, 15 categorias e cinco dimensões (fundamento cognitivo, habilidades operacionais, pensamento de ordem superior, reflexão metacognitiva, responsabilidade ética), depois as operacionalizou como uma escala Likert de 15 itens cujos cinco fatores emergiram na análise fatorial exploratória (83,14% da variância cumulativa) e se mantiveram na análise fatorial confirmatória sobre uma segunda subamostra (CFI = 0,934, RMSEA = 0,083), com confiabilidade de 0,796 a 0,842 ao longo de 308 questionários válidos.

Uma questão relacionada é o que os instrumentos conseguem medir, afinal. Burriss et al. (2026) observam que as escalas e os frameworks de competência de letramento em IA existentes pressupõem um desempenho individualmente mensurável e, portanto, excluem estruturalmente a expressão colaborativa e criativa — a evidência da unidade deles foi feita de artefatos fílmicos multimodais, reflexões e discurso cívico, e não de uma pontuação somativa, e os autores argumentam que tal evidência pode complementar, e não substituir, as medidas convencionais. Ampliar o construto pode, portanto, exigir ampliar a evidência admissível, e não meramente acrescentar itens ricos em modalidade às escalas existentes.

Uma vertente complementar mensura como estudantes e professores recebem os materiais de letramento em IA, e não seu letramento em si. Wang, Chuang e Wu (2026) pediram a 794 estudantes e 37 professores que avaliassem duas edições de guias construídas segundo o limite de idade da UNESCO (idades 9-12 e 13-18) após cerca de 30 minutos de exposição guiada em sala de aula. A aceitação manteve uma estrutura de quatro fatores (Expectativa de Desempenho, Expectativa de Esforço, Ludicidade Percebida, Intenção Comportamental), com invariância de mensuração apoiada entre as duas edições para estudantes, os estudantes mais jovens pontuaram mais alto em todos os quatro construtos, e a ludicidade percebida carregou a maior associação com a intenção em ambas as coortes. Os autores são explícitos sobre o que isso não é: a aceitação percebida de um recurso dividido por idade não é conquista de letramento em IA, raciocínio ético, adoção ou uso sustentado, e a aceitação em nível de material não deve ser lida como evidência de que o letramento melhorou.

A mensuração também se estende aos educadores que mediam o engajamento dos estudantes com a IA. A maioria das avaliações de letramento em IA visa estudantes ou usuários gerais, deixando uma lacuna na formação de professores — uma lacuna que a Escala de Letramento em IA de Professores (TAILS) endereça: fundamentada no framework ED-AI com seis dimensões (conhecimento, avaliação, colaboração, contextualização, autonomia e ética), foi validada por análise fatorial exploratória e confirmatória com professores de línguas em formação. Tais instrumentos apoiam a mensuração e o desenvolvimento do letramento em IA dos educadores que mediam o engajamento dos estudantes com a IA. No lado dos estudantes, Nie et al. (2026) desenvolvem e validam uma Escala de Letramento em Avaliação com IA Generativa (GAA-LS) para estudantes do ensino superior — um instrumento de 18 itens e cinco fatores cujas pontuações acompanham o engajamento com feedback, a integridade acadêmica e o uso responsável de IA, com um caminho indireto para a integridade passando pelo feedback —, evidência de que o letramento em IA específico da avaliação é mensurável e se vincula ao comportamento de integridade. O que esse corpus de instrumentos voltados ao professor de fato contém foi desde então auditado: a revisão de 2026, de Zainal, Mohd Matore e Maat, das ferramentas de mensuração do letramento em IA de professores avaliou 33 instrumentos publicados entre 2019 e 2025 e descobriu que 31 (93,9%) eram escalas de autorrelato de confiança percebida, apenas dois testavam conhecimento de forma objetiva, e nenhum usava tarefas baseadas em desempenho, enquanto a evidência de justiça era o domínio de qualidade mais fraco, com apenas cinco instrumentos relatando invariância de mensuração ou funcionamento diferencial de itens.

A atualização de 2026 dessa literatura de mensuração a reorganiza em quatro domínios — conhecimento e uso, supervisão epistêmica, calibração da dependência e controle operacional de agentes que usam ferramentas — e relata que nenhum instrumento validado em nível individual no corpus cobre a combinação completa de escopo, permissões, recuperação, isolamento de estado, revisão independente e fechamento baseado em evidência que o uso de ferramentas por agentes exige. Sua correlação subjetiva–objetiva agrupada ao longo de três efeitos de mesma amostra foi r = ,055, consistente com a divergência descrita acima, e não com os autorrelatos como um proxy utilizável (Verí (2026)).

O cenário da mensuração é, ele mesmo, desordenado, e agora parcialmente mapeável. He, Zhang, Wang e Ji (2026) analisaram o corpus de instrumentos de letramento em IA com um pipeline de codificação baseado em LLM e descobriram que o campo mede muitos construtos sob um único rótulo — um problema de jangle, com um construto carregando vários nomes (Compromisso Comportamental aparece em oito pares candidatos, Motivação Intrínseca em cinco), ao lado de casos candidatos de jingle em que os instrumentos compartilham um rótulo, mas não seu conteúdo de itens. A recuperação da estrutura de itens e construtos por similaridade semântica deles se correlacionou apenas moderadamente com as confiabilidades relatadas pelos próprios instrumentos (r = 0,49 em nível de item, contra 0,45 e 0,35 em nível de construto), e eles oferecem o método como triagem, e não como arbitragem. A consequência para quem seleciona uma medida é que não é seguro pressupor alegações convergentes entre estudos: dois instrumentos com o mesmo nome podem não operacionalizar o mesmo construto.

O que esses instrumentos podem apoiar foi agora auditado, e a auditoria é sóbria. Jin, Gašević, Martinez-Maldonado e Yan (2026) triaram 8.056 registros até 58 estudos cobrindo 47 instrumentos únicos, avaliados com o COSMIN contra um construto cuja janela de desenvolvimento de instrumentos se comprimiu em três anos (dois instrumentos antes de 2023, 28 apenas em 2025). O corpus segue sendo 37-de-47 de autorrelato, e a evidência se agrupa firmemente em torno da estrutura interna: a validade estrutural foi suficiente em 32 de 58 estudos e a consistência interna em 32, com nenhum classificado como insuficiente, mas a validade de construto foi relatada por apenas 15 estudos (12 suficientes), a validade de critério por um, a invariância de mensuração por cinco (todas suficientes), e apenas 2 de 58 obtiveram uma classificação geral de validade de conteúdo suficiente — a abrangência foi insuficiente em 53, apesar de 43 estudos relatarem entrevistas cognitivas. O padrão é que a prática de mensuração parece robusta exatamente onde é mais barato demonstrar, e tênue onde a evidência precisa vir de fora do instrumento, de modo que uma estrutura fatorial limpa e um coeficiente alto (que pode refletir redundância de itens tanto quanto representação do construto) não devem ser lidos como capacidade demonstrada. A prescrição dos autores é a consolidação, e não a proliferação: refinar as escalas existentes, testar invariância sempre que uma cruza um idioma ou um estágio educacional, e acrescentar evidência de critério relacionando as pontuações a tarefas de desempenho.

Uma das exceções foi construída para comparar grupos. Zhang et al. (2026) desenvolveram a Escala de Letramento em IA Generativa (GAILS) — 43 itens reduzidos a 34 por meio de uma revisão Delphi de cinco especialistas e um piloto de sete pessoas, depois validada em 341 adultos norte-americanos — e testaram a invariância escalar de mensuração, descobrindo que ela se manteve entre respondentes do sexo feminino e masculino e entre grupos de estudantes e de força de trabalho. É isso que licencia as comparações de médias que o instrumento relata — os homens pontuando modestamente mais alto em Habilidades Operacionais Adaptativas, os estudantes mais alto em Habilidades Operacionais Adaptativas e Letramento Responsável em GenAI — como diferenças de competência, e não como funcionamento diferencial de itens, e é o que torna a escala utilizável nos contextos de ensino superior e de local de trabalho, e não apenas entre estudantes. Sua própria evidência não é imaculada: o ajuste foi misto (CFI = ,967 e SRMR = ,058 dentro dos cortes convencionais, RMSEA = ,087 acima deles), o α da escala total = ,973 convive com uma comparação discriminante Fornell–Larcker que falhou (Fator 1 √AVE = ,828 contra r = ,873 com o Fator 3), e, como quase tudo no corpus, ela mede competência percebida sem critério comportamental. Uma escala validada neste campo é um ponto de partida para o trabalho de invariância e de critério que a revisão demanda, e não um benchmark acabado.

Conexões ao longo da base de conhecimento

O letramento em IA se cruza com a Tutoria com IA (compreender quando e como os tutores de IA são eficazes), a competência em IA do professor (preparação do educador), a integridade acadêmica (saber o que constitui uso apropriado de IA) e a IA na educação de forma ampla. Ele é tanto um pré-requisito para o uso eficaz da IA quanto um resultado da integração bem desenhada da IA — os estudantes aprendem letramento em IA AO USAR a IA de forma crítica, e não apenas aprendendo SOBRE a IA.

O letramento em IA é de dois gumes para a dependência excessiva: Maizel et al. (2026) descobriram que as dimensões baseadas em habilidades do letramento em IA (usar/compreender, detectar) estavam positivamente associadas à dependência de IA relatada, enquanto a autoeficácia em IA e a confiança acadêmica estavam negativamente associadas — de modo que o treinamento técnico em letramento em IA, sem andaimentos de autoeficácia e de aprendizagem autorregulada, pode aumentar a dependência. O letramento em IA se torna aqui uma capacidade habilitadora cuja direção depende de recursos motivacionais complementares.

  • Os hábitos de verificação só compensam por meio da regulação. Na pesquisa de Davor, Larbi e Boateng (2026) com 533 estudantes universitários em Gana, o letramento em verificação de IA não teve efeito direto significativo sobre o pensamento crítico (beta = ,076, p = ,090) nem sobre a resolução de problemas técnica (beta = ,043, p = ,385), e importou apenas por meio da autorregulação metacognitiva (beta = ,167, p < ,001), uma mediação total que os autores chamam de ativação metacognitiva. O andaimento de tarefas de IA previu ambos os resultados (beta = ,185 e ,170), enquanto a tendência ao descarregamento cognitivo os previu negativamente (beta = −,240 e −,312) e também deprimiu a regulação (beta = −,294). Ensinar os estudantes a verificar o resultado da IA não basta, portanto, por si só: os hábitos avaliativos precisam de planejamento, monitoramento e reflexão construídos dentro da tarefa.
  • A crítica do resultado da IA como prática de letramento: Hosseini (2026) trata a avaliação de erros gerados pela IA como uma habilidade central de letramento em IA, usando análise de modos de falha e refinamento iterativo de prompts em um curso de desenho de banco de dados. O estudo descobriu que os estudantes superestimavam suas habilidades de IA (letramento autorrelatado fraca e negativamente correlacionado com a competência objetiva), e que a aprendizagem baseada em crítica fortaleceu a calibração.
  • Letramento humanista socialista em IA (2026): Uma revisão de literatura critica o letramento em IA orientado à conformidade e propõe um enquadramento humanista socialista do letramento assíncrono em IA e do uso justo no ensino superior, vinculando a divisão digital histórica ao letramento moderno em IA e demandando abordagens que sirvam ao florescimento humano e à equidade, em vez da conformidade mecânica com políticas (From Mechanical Compliance to Human Flourishing: A Socialist Humanist Approach to Asynchronous AI Literacy and Fair Use in Higher Education).
  • Avisos baratos e leves atenuam a persuasão da IA — sem custar a confiança geral. Orchinik e Rand (2026) pré-registraram dois experimentos (N total = 3.208 adultos americanos) nos quais os participantes conversaram com um Grandes modelos de linguagem (LLMs) instruído a mudar suas visões sobre temas políticos. Um único aviso breve — de que os modelos podem ser levados por prompts a persuadir e podem apresentar informação de forma seletiva — reduziu a mudança de crença em cerca de metade (−48,1%, IC 95% [−59,5%, −36,8]) em relação ao controle, e acrescentar avisos específicos sobre técnicas de persuasão não produziu benefício adicional. A propriedade que importa para o ensino está do outro lado do efeito: a confiança geral na IA generativa não caiu, de modo que a intervenção constrói uma confiança calibrada, e não um ceticismo generalizado. É uma intervenção de um parágrafo, sem facilitação, o que é um raro perfil de custo para um desenho de letramento em IA.
  • A governança da IA pelo estudante importa mais do que o desenho da ferramenta. Azimi (2026) distribuiu aleatoriamente 33 estudantes de um curso de mestrado em análise de dados entre um AI Study Coach andaimentado incorporado aos notebooks (n = 16) e o uso irrestrito de quaisquer ferramentas de IA generativa que escolhessem (n = 17), por sete semanas. O desempenho nas tarefas e os ganhos no inventário de conceitos foram indistinguíveis; a condição do Coach relatou maior confiança. O que separou os estudantes foi o letramento em IA na prática: aqueles que haviam formulado suas próprias regras sobre quando usar a IA pontuaram mais alto em ambas as condições, e os estudantes com a compreensão mais profunda do modelo — todos autodidatas — fizeram prompts de forma mais deliberada. A implicação para o desenho vai contra o reflexo de controle: ensine os componentes autorreguladores e de compreensão do modelo do letramento em IA, em vez de restringir as ferramentas.

Conceitos conectados

Artigos conectados

The most developed disciplinary evidence base for AI literacy comes from STEM education, and Hallström, Chiu, Ding, Koretsky and Li (2026) synthesize its ten most-cited studies (2022–2026) to show both the baseline and its limits. Across the corpus, AI literacy is defined through six overlapping constructs — knowledge/skills/attitudes (Su & Yang 2024), conceptual-procedural-contextual knowledge (Stolpe & Hallström 2024), know-understand/use-apply/evaluate-create/ethics (Ng et al. 2022), and Long & Magerko's use–communication–evaluation framing (Hornberger et al. 2023) — so the field's "conceptual ambiguity" is a measurement problem: two studies can both assess "AI literacy" without assessing the same construct. Only two of the ten offer complete frameworks. The review's sharpest finding is an asymmetry — the corpus almost entirely measures students' literacy while nearly nothing develops teachers', a gap that leaves teacher-facing AI literacy interventions resting on assumption rather than evidence, and one the authors connect to the practical requirement that teachers be AI literate themselves to run such interventions.(AI Literacy and STEM Education: Emerging Frontiers and Research Priorities) The chatbot evidence in that corpus cuts against fluency-based training. Ding et al. (2023) found ChatGPT tutoring in university physics raised confidence and knowledge but reinforced a "superhuman and infallible" misconception of AI, concluding AI literacy education is "first and foremost improving students' critical thinking skills in assessing information." Xu et al. (2026) found ChatGPT-supported STEM programming improved confidence and knowledge but left computational thinking and independent thought unchanged — gains in fluency coexisting with no gain in thinking. Both findings mirror the Calibração da confiança and over-reliance concerns elsewhere in this page: a tutor that never contradicts the student can produce confident learners who cannot evaluate. Attitude, not readiness or self-efficacy, turned out to be the strongest determinant of actual AI-tool use among STEM undergraduates (Falebita & Kok 2025), and the review notes STEM disciplinary coverage is skewed toward biology and physics with technology as a subject nearly absent. For discipline-specific design, the review's practical warning is that comprehensive competency frameworks (UNESCO, EU/OECD) "often lack connection to empirical research or sufficient theoretical underpinning" and few are classroom-applicable. The Critical 3wAI Literacy Scale (Bozkurt, Ertan & Cömert, 2026) validates the same three-part structure for adult learners as a self-report instrument (n = 546 and n = 647; χ²/df = 4.93, CFI = 0.931, α = 0.913). Its Know-How and Know-Why factors came out most closely coupled (HTMT = 0.544), while theoretical knowledge alone did not translate into practical efficacy. As a self-report measure it shares the divergence problem documented above, so it is a validated diagnostic rather than a performance measure — and the authors call for revalidation across age groups and cultural contexts.

Perguntas frequentes relacionadas

Recursos relacionados

  • Education Agent Skills
    Uma biblioteca de 165 habilidades de agente fundamentadas em evidências, abrangendo pedagogia, ciência da aprendizagem, currículo e avaliação, empacotadas para Claude, Codex e Hermes.
  • EduGems
    Uma biblioteca crescente de 'Gems' prontos do Google Gemini — prompts pré-escritos e compartilháveis para planejamento, feedback, formulários, imagens e reflexão sobre o uso de IA.
  • Recursos de Sala de Aula do mglearn
    Um grande conjunto de suítes de atividades de sala de aula gratuitas e baseadas em navegador e de materiais prontos para impressão, da TCEA, incluindo módulos de letramento em IA generativa e de cidadania digital.
  • OnMicro.AI
    Um construtor sem código que permite educadores criar aplicativos de IA focados, publicá-los por link, embuti-los em um LMS via LTI e ver como os estudantes os usam.
  • Playlab
    Uma plataforma de criação sem fins lucrativos onde educadores constroem, compartilham e avaliam seus próprios aplicativos de IA — fundamentados no currículo deles, rodando no modelo que escolherem, com visibilidade para o professor embutida.
  • Pressing Prompts
    Atividades e recursos de ensino superior de acesso aberto sobre questões críticas urgentes a respeito de IA, organizados em três agrupamentos temáticos.
  • Student Guide to AI
    Um guia estudantil gratuito de inteligência artificial em três edições, da Elon University, da AAC&U e do The Princeton Review, cuja edição de 2026 desenvolve dez capacidades humanas com módulos de aprendizagem prontos para o professor e uma autoavaliação anônima.
  • Vibes DIY
    Um construtor de aplicativos em linguagem simples: descreva uma ferramenta pequena em palavras e receba um aplicativo web funcional e compartilhável, com os pacotes React e a CLI subjacentes liberados sob Apache-2.0.

Metadados

NívelHigher Ed, K 12
Público-alvoFaculty Developers, Instructors, Learners
Tecnologias e técnicasIA generativa, Grandes modelos de linguagem (LLMs)
Fundamentos da IA na educaçãoIntegridade acadêmica, IA na educação, Letramento em IA, Desenvolvimento educacional
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.