Construtivismo

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

Construtivismo — a teoria de aprendizagem segundo a qual o conhecimento é ativamente construído pelo estudante por meio da experiência, da reflexão e da interação, e não passivamente recebido de um instrutor ou sistema. Na IA na educação, o construtivismo fundamenta o compromisso de desenho de que as ferramentas de IA deveriam apoiar a própria construção de conhecimento pelos estudantes — o uso de prompts, o questionamento e o andaimento — em vez de realizar o trabalho cognitivo por eles. (Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)(Generative AI (GenAI) as a mindtool that supports generative learning (GL))

Perguntas para refletir

• Você já "aprendeu" algo na aula só para perceber depois que não conseguia explicá-lo nem usá-lo? O que faltou — e o que isso diz sobre como o entendimento real se forma?
• O construtivismo afirma que o conhecimento é construído, não transmitido. Se isso é verdade, o que acontece quando um tutor com IA simplesmente fornece a resposta correta?
• A expressão "construtivismo no nome, behaviorismo na prática" descreve ferramentas de IA que afirmam apoiar a aprendizagem ativa, mas na verdade executam exercício e repetição. Você já viu essa lacuna? Como a detectaria em uma ferramenta que você está avaliando?
• O construcionismo de Papert diz que aprendemos mais poderosamente construindo artefatos compartilháveis. Na era da IA, um framework coloca assim: "a IA escreve o código, mas o estudante escreve o modelo". O que um estudante está de fato construindo quando a IA cuida da mecânica?
• Algumas ferramentas de IA praticam a "recusa generativa" — retendo respostas e colocando questões em vez disso. Quando reter ajuda deliberadamente seria mais valioso pedagogicamente do que fornecê-la?
• Se o conhecimento é construído, então o letramento em IA não se aprende ouvindo aulas sobre IA — aprende-se usando, criticando e construindo com IA. O que isso implica sobre como o letramento em IA deveria ser ensinado a você ou aos seus estudantes?

Introdução

O construtivismo é uma família de teorias, e não uma doutrina única, mas sua afirmação central é compartilhada: os estudantes não absorvem significado; eles o constroem. O entendimento, nessa visão, não é o acúmulo de fatos transmitidos, mas a organização ativa da experiência em modelos mentais. Isso tem implicações diretas sobre como a IA na educação deveria ser desenhada, avaliada e ensinada — e ajuda a explicar tanto a promessa quanto o risco da IA generativa na sala de aula.

Mishra et al. contrastam o construcionismo de Papert (Logo, micromundos, depuração como aprendizagem) com os tutores cognitivos de Anderson como visões concorrentes de agência criativa versus controle sistemático na história da AIED.

Ideias centrais

• O conhecimento é construído, não transmitido. Os estudantes constroem entendimento agindo sobre o mundo, reconciliando novas informações com o conhecimento prévio e refletindo sobre os resultados. Um tutor com IA que simplesmente fornece respostas corretas contorna a atividade construtiva que produz entendimento durável. (Stop Writing for Me: Generative Refusal in AI Tools for Thought)
• O conhecimento prévio molda a nova aprendizagem. As novas ideias são interpretadas por meio dos modelos mentais existentes do estudante, de modo que a instrução precisa expor e aproveitar o que os estudantes já sabem — um princípio diretamente relevante para as ideias equivocadas e para os tutores com IA que se adaptam ao estudante.
• A interação social apoia a construção. Uma vertente importante — o construtivismo social — sustenta que o significado é co-construído por meio do diálogo, da colaboração e da atividade culturalmente situada. Isso conecta o construtivismo à aprendizagem colaborativa e às abordagens do método socrático em que a IA instiga em vez de ditar. (Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers)
• A construção é visível na atividade. Os estudantes revelam (e consolidam) seu entendimento gerando, explicando e produzindo — e é por isso que o framework ICAP classifica o engajamento "construtivo" e "interativo" acima dos modos "ativo" e "passivo". (Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)(Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents) Um limite da teoria é que o construtivismo pressupõe uma agência epistêmica centrada no humano, o que o deixa aquém de explicar uma IA que simula raciocínio e co-constrói significado; o suplemento proposto é a co-agência epistêmica, na qual os estudantes tratam a saída da IA como contestável e mantêm a soberania epistêmica sobre o que conta como conhecimento (Samuel (2026)).

Construcionismo

O construcionismo é o ramo do construtivismo associado a Seymour Papert que acrescenta uma afirmação específica: a aprendizagem acontece mais poderosamente quando os estudantes constroem artefatos externos e compartilháveis — objetos físicos ou digitais que desenham, constroem e depuram. Onde o construtivismo piagetiano se concentra na construção mental interna do conhecimento, o construcionismo sustenta que essa construção é melhor apoiada e tornada visível por meio da feitura de algo tangível (Harel & Papert, 1991). Na história da AIED, o construcionismo se coloca como o polo da "agência" na tensão central do campo entre controle e agência, em oposição aos tutores cognitivos estruturados de Anderson.

• Logo e micromundos. Papert codesenvolveu o Logo (1967) com sua icônica "tartaruga" — um micromundo de programação em que as crianças exploram a geometria e outras ideias poderosas comandando e depurando um agente visível. A depuração é reformulada como uma parte natural e valiosa da aprendizagem, não como falha. (Control vs. Agency: Exploring the History of AI in Education)

• Construção acima de instrução. O construcionismo critica o "instrucionismo" — a suposição de que ensinar é a transferência eficiente de conhecimento — e, em vez disso, posiciona os estudantes como agentes autônomos que constroem entendimento por meio de projetos e experimentação (Papert, 1980, Mindstorms).

• Linhagem até o edtech moderno. A ênfase do Logo na construção criativa e prática fundamenta a aprendizagem baseada em jogos, a aprendizagem baseada em projetos, a robótica (LEGO Mindstorms, Scratch, blocos programáveis) e o movimento maker em sentido amplo.

• O legado construcionista na IA. O construcionismo implica que as ferramentas de IA deveriam servir como materiais para construir com — ferramentas de pensamento e coconstrutoras criativas que o estudante dirige — em vez de instrutoras que fornecem respostas. Esse é o ancestral direto do enquadramento de ferramenta de pensamento que a base de conhecimento dá à IA generativa, e dos compromissos de desenho que preservam a autonomia do estudante sobre o processo de aprendizagem. (Pathways to Learning: Exploring High School Students' Learning of AI-Powered Educational Robotics)

• O construcionismo na era da GenAI: aprender escrevendo o modelo, não o código. A chegada da IA geradora de código renovou o construcionismo como resposta de desenho, em vez de enfraquecê-lo. O framework Code-to-Learn with Generative AI (CtL-GenAI) de Gousopoulos sintetiza o construcionismo, a teoria de carga cognitiva, a aprendizagem autorregulada, o modelo de engajamento ICAP, a falha produtiva e o andaimento sociocultural para estudantes do final do ensino médio construindo software com IA. Sua afirmação organizadora — "a IA escreve o código, mas o estudante escreve o modelo" — reformula o alvo da construção: quando a GenAI realiza o trabalho sintático de escrever código, a construção do estudante se desloca para construir e depurar o modelo conceitual que o código expressa. O CtL-GenAI define a autoria de modelos como um construto com quatro facetas e níveis ordenados que carregam indicadores observáveis, e formaliza um modelo de mensuração de crédito parcial e falseável para testar se essa aprendizagem de fato ocorre. (Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education)(The AI Writes the Code, the Student Writes the Model: A Theory and Measurement Programme for Learning by Construction with Generative AI) Esse é o clássico "faça algo compartilhável e depure-o" do construcionismo atualizado para que o artefato que o estudante faz e sobre o qual reflete seja um modelo mental tornado visível, e não meramente código-fonte — e acopla a teoria a um programa de mensuração explícito para que a afirmação se torne empiricamente testável.

O construcionismo é, portanto, tanto uma teoria de aprendizagem quanto uma crítica: insiste que o propósito da educação não é reproduzir estruturas de conhecimento existentes, mas capacitar os estudantes a construí-las e transformá-las — uma postura com implicações claras sobre se a IA na educação reforça ou desafia as hierarquias estabelecidas.

Construtivismo e IA na educação

IA para a aprendizagem construcionista

Uma IA bem desenhada pode viabilizar a construção em escala. Os sistemas de tutoria inteligente e de Tutoria com IA podem colocar problemas e orientar a busca de ajuda em vez de entregar as respostas; os ambientes de simulação e de aprendizagem baseada em jogos permitem aos estudantes construir e testar modelos mentais; e as atividades de aprendizagem baseada em projetos e de aprendizagem experiencial apoiadas por IA dão aos estudantes tarefas autênticas de construção. O padrão central de desenho é o andaimento — apoio calibrado que se retira à medida que a competência cresce — em vez da conclusão. (The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents)(Embodied Inquiry with AI as Facilitator: An Exploratory Case Study)

Classificar as perguntas que os estudantes fazem é uma forma de ver a construção acontecendo, e de agir sobre ela. Lee, Atif & Kang (2026) classificam 434 perguntas autênticas de estudantes de 11 estudantes de TI ao longo de 12 cursos em três papéis instrucionais construcionistas — transmissor de conhecimento, facilitador e coaprendiz — e treinam quatro transformers para reconhecê-las. O DeBERTa classificou perguntas factuais de transmissor de conhecimento com 96,67% de precisão, mas perguntas de facilitador com apenas 78,79%, e todo modelo confundiu os dois papéis de ordem superior com mais frequência: detectar investigação dialógica e exploratória é muito mais difícil do que detectar busca de informação. Como a tipologia trata as perguntas como evidência diagnóstica de engajamento epistêmico, e não como meras entradas, ela apoia um movimento de desenho distintamente construcionista — quando um estudante faz repetidamente apenas perguntas factuais, o sistema pode instigar o questionamento reflexivo e exploratório que desenvolve a metacognição e a investigação crítica, em vez de responder na profundidade que a pergunta implica.

O risco do "construtivismo no nome, behaviorismo na prática"

O trabalho empírico encontra repetidamente uma lacuna entre os objetivos construcionistas declarados e as implementações reais de IA. Uma revisão sistemática de IA na educação profissional, por exemplo, constatou que as teorias construcionistas são declaradas no discurso da EPT, enquanto desenhos behavioristas de exercício e repetição dominam na prática, e alertou para uma "Armadilha de Turing" educacional — usar a IA para replicar em vez de aumentar a instrução humana. (Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

Esse padrão se generaliza por todo o campo:

• Quando a IA generativa completa a escrita, o raciocínio ou o código pelos estudantes, o estudante perde o processo de pensamento construtivo que a tarefa foi desenhada para construir — a preocupação central do descarregamento cognitivo e da dependência excessiva. (Stop Writing for Me: Generative Refusal in AI Tools for Thought)
• Implementações de IA que enfatizam feedback adaptativo e eficiência frequentemente deixam de servir as metas de autonomia do estudante, reflexão crítica e decisão autônoma que o construtivismo implica. (Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)

A armadilha do nome: a saída da IA generativa não é aprendizagem generativa

Uma confusão recorrente no campo gira em torno de uma colisão de nomes. IA generativa nomeia uma classe de tecnologia — modelos que geram texto, imagens ou código. Aprendizagem generativa (a teoria da aprendizagem generativa de Wittrock) nomeia uma atividade do estudante — o estudante ativamente fazendo significado ao construir conexões entre novas informações e conhecimento prévio, por meio de estratégias como resumir, mapear, desenhar, testar a si mesmo e explicar a si mesmo. As duas não são a mesma coisa, e confundi-las tem consequências pedagógicas reais: uma IA produzindo um resumo ou um mapa para o estudante é o oposto de o estudante realizar o ato de aprendizagem generativa. Dabbagh & Fake (2026) constroem diretamente sobre essa distinção, argumentando que uma ferramenta de pensamento com GenAI apoia a aprendizagem generativa apenas quando o estudante dirige a atividade construtiva — gerar um mapa mental com assistência de IA é aprendizagem generativa; fazer a IA gerar o mapa por inteiro não é, por mais fluente ou correto que seja o resultado.

A questão decisiva é quem realiza a construção de significado:

• O estudante constrói uma explicação, ou apenas recebe uma?
• A IA instiga o estudante a conectar ideias, ou fornece as conexões por ele?
• O artefato (resumo, mapa, código, modelo) é o produto da construção do estudante, ou um substituto dela?

Isso espelha a hierarquia do ICAP — o engajamento construtivo e interativo supera o ativo e o passivo —, mas a aguça: uma ferramenta pode produzir saídas visivelmente "de aparência construtiva" enquanto o estudante está em um modo passivo ou ativo. Avaliar uma ferramenta de GenAI para aprendizagem generativa significa, portanto, inspecionar onde o esforço construtivo de fato acontece, e não se há saída generativa presente. Essa é a mesma armadilha construcionista-no-nome / behaviorista-na-prática, aplicada ao caso específico da geração: a autoria de modelos (a IA escreve o código, o estudante escreve o modelo) é uma resolução concreta — o estudante constrói o modelo conceitual mesmo quando a IA fornece o artefato de superfície.

Respostas de desenho fundamentadas no construtivismo

• Recusa Generativa — ferramentas de IA que retêm estrategicamente o texto gerado e colocam questões em vez disso, devolvendo atrito cognitivo ao usuário para que o próprio trabalho de articulação construa entendimento. (Stop Writing for Me: Generative Refusal in AI Tools for Thought)

• Ferramentas de pensamento acima de máquinas de respostas — usar a GenAI como uma ferramenta de pensamento em que o estudante dirige a ferramenta, em vez de a ferramenta substituir o estudante. (Generative AI (GenAI) as a mindtool that supports generative learning (GL))

• Conflito construtivo — agentes de IA adversariais que desafiam o desenho ou o raciocínio de um estudante, instigando a reconsideração e a construção mais profunda de alternativas, na tradição da tutoria socrática. (Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers)

• A oposição simulada não é oposição. Uma contraposição que pode ser expressa sob demanda, mas nunca resiste, ensaia a coreografia do diálogo retendo o que a torna potente: não tem corporificação, interesse nem exposição a consequências, de modo que, ao contrário de um outro humano, não oferece caminho para o reparo (Du et al. (2026)).

• Feedback interno por comparação — fazer os estudantes compararem o próprio trabalho com exemplares gerados por IA para que o próprio ato de comparar gere aprendizagem. (Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback)

• Prompts conscientes do tipo de pergunta — classificar as perguntas dos estudantes em papéis construcionistas para que o sistema possa deliberadamente elevar um estudante da busca de informação à investigação exploratória e dialógica, em vez de espelhar a profundidade cognitiva que a pergunta implica. Como a intenção de facilitador e coaprendiz continuam confundíveis para classificadores automatizados, esse desenho mantém um humano validando a categorização antes que ela direcione feedback ou andaimento. (Analysing AI utilisation in education through learner question types: A constructivist approach)

• A comunidade como padrão avaliativo — os estudantes desenham algo real para sua comunidade usando a IA como recurso de desenho, enquanto o conhecimento da comunidade e seus praticantes servem como o padrão que julga o resultado, deixando espaço para limitação, recusa ou não uso estratégico onde o engajamento crítico o exige. (Ojeda-Ramirez, Gyles & Peppler (2026))

Construtivismo e "educação sobre IA"

O construtivismo também molda como o próprio letramento em IA é ensinado. Se o conhecimento é construído, então o letramento em IA não é adquirido dando aulas sobre modelos, mas usando, criticando e construindo ativamente com IA — gerando artefatos, interrogando saídas e refletindo sobre a interação. (Systematic Review of Collaborative Learning Activities for Promoting AI Literacy) Isso posiciona o letramento em IA como uma competência ativa e participativa, e não como um corpo de conhecimento passivo, e conecta o construtivismo ao pensamento crítico e à autonomia nos encontros dos estudantes com a IA.

Implicações para desenho e pesquisa

1. Preserve a atividade construtiva. A IA deveria sustentar o próprio pensamento do estudante — instigar, questionar e apoiar — em vez de realizá-lo. Os desenhistas deveriam perguntar se a ferramenta aumenta ou substitui o esforço construtivo do estudante. (Stop Writing for Me: Generative Refusal in AI Tools for Thought)
2. Use a lente do ICAP. O ICAP classifica o engajamento em modos construtivo, interativo, ativo e passivo — use-o para avaliar se as interações com IA de fato eliciam os modos construtivo e interativo, em vez do consumo passivo. Os desenhistas deveriam favorecer os modos mais profundos (construtivo e interativo) onde o objetivo de aprendizagem o justificar. (Systematic Review of Collaborative Learning Activities for Promoting AI Literacy)
3. Alinhe teoria e implementação. Os pesquisadores deveriam olhar além de como uma IA "funciona" para como ela incorpora uma teoria de aprendizagem, verificando a lacuna entre construcionista-no-nome e behaviorista-na-prática. (Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness)
4. Estude a autonomia e a transferência do estudante. Os compromissos construcionistas implicam avaliar não apenas os ganhos imediatos em testes, mas se os estudantes conseguem transferir e aplicar independentemente seu entendimento construído. (Métodos de pesquisa em AIED)

Conceitos conectados

• Comunidade de investigação — Comunidade de Investigação (fundamentada no pragmatismo construcionista/deweyano)
• Psicologia cognitiva — Cognitivismo, o terceiro polo clássico da teoria de aprendizagem
• Aprendizagem ativa
• Aprender ensinando
• Andaime (Scaffolding)
• Aprendizagem autorregulada
• Aprendizagem colaborativa
• Aprendizagem Experiencial
• Aprendizagem Baseada em Projetos
• Aprendizagem Incorporada
• Desenho de aprendizagem
• IA generativa
• Tutoria inteligente
• Descarregamento cognitivo
• Autonomia de quem aprende
• Pensamento crítico
• Letramento em IA
• Concepções errôneas sobre IA
• Teorias de aprendizagem
• Behaviorismo
• Educação em química — Educação em química e IA: laboratórios, avaliação formativa, limites dos LLMs, filosofia da experimentação
• Desenvolvimento de Teoria na IA na Educação — Desenvolvimento de Teoria na IA na Educação
• Falência produtiva

Artigos conectados

• Analysing AI utilisation in education through learner question types: A constructivist approach — Perguntas de estudantes classificadas em três papéis construcionistas: transmissor, facilitador, coaprendiz (Lee, Atif & Kang 2026)

• Control vs. Agency: Exploring the History of AI in Education — Posiciona o construcionismo (Papert) contra os tutores cognitivos na história da AIED

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — Code-to-Learn com GenAI: framework construcionista para construção de artefatos

• The AI Writes the Code, the Student Writes the Model: A Theory and Measurement Programme for Learning by Construction with Generative AI — Autoria de modelos: teoria e programa de mensuração para a aprendizagem por construção com GenAI

• Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Construtivismo declarado, mas a IA behaviorista domina na EPT; a "Armadilha de Turing"

• Stop Writing for Me: Generative Refusal in AI Tools for Thought — Ferramentas de IA que retêm a geração para proteger o pensamento construtivo

• Generative AI (GenAI) as a mindtool that supports generative learning (GL) — GenAI como ferramenta de pensamento que apoia a construção pelo estudante

• Enacting Constructive Conflicts with AI Agents to Enhance Reconsideration among Novice Interaction Designers — Agentes de IA adversariais instigando a reconsideração construtiva

• Systematic Review of Collaborative Learning Activities for Promoting AI Literacy — Letramento colaborativo em IA e o framework de engajamento ICAP

• Unravelling undergraduates' development of evaluative judgments through AI-supported internal feedback — A comparação apoiada por IA gerando julgamentos avaliativos

• Measuring Cognitive Engagement in Collaborative Discourse with an Extended ICAP Framework: Comparing Human Annotation, In-Context Learning, and Reflective LLM Agents — ICAP e engajamento cognitivo com agentes LLM

• The Path to Conversational AI Tutors: Integrating Tutoring Best Practices and Targeted Technologies to Produce Scalable AI Agents — Diálogo de andaimento em tutores com IA

• Embodied Inquiry with AI as Facilitator: An Exploratory Case Study — Investigação corporificada com um facilitador de IA

• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Avaliação autêntica e construção de conhecimento

• Towards Synergistic Teacher-AI Interactions with Generative Artificial Intelligence — Níveis de colaboração professor–IA no desenho

• Learning with machines: Toward a theory of epistemic co-agency — Co-agência epistêmica entre estudante e máquina

• Community-Based AI Learning: Redistributing Artificial Intelligence's Epistemic Authority in Education

• Connecting Education with Reality: AI as a Catalyst for Situated Learning

• Beyond Automation: AI as a Pedagogical Mediator in Collaborative Learning

• Pathways to Learning: Exploring High School Students' Learning of AI-Powered Educational Robotics — Caminhos para a Aprendizagem com Robótica Educacional Alimentada por IA (2026)

• CogEvolution: A Human-like Generative Educational Agent to Simulate Student's Cognitive Evolution — CogEvolution: agente generativo que simula a evolução cognitiva dos estudantes

• The synthetic position: generative artificial intelligence and the suspension of self-authorship in emerging adulthood — Contraposições simuladas por IA ensaiam a forma do diálogo, mas retêm a resistência que compele a revisão