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

IA conversacional

Criado 2026-08-22 · Atualizado 2026-10-03

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

Agentes de IA conversacional (CAI, do inglês Conversational AI) — agentes de fala ou texto dirigidos por IA que simulam e automatizam conversas, de chatbots baseados em regras a assistentes baseados em LLM com NLP/ML e multimodais — estão entre as interfaces de IA mais amplamente usadas na educação, valorizadas pelo apoio ao ensino, psicológico e metacognitivo, mesmo enquanto persistem preocupações técnicas, cognitivas e éticas.

Perguntas para refletir

  • Quando você usou um chatbot ou assistente de IA, você o encarou como um professor, um mecanismo de busca ou outra coisa? Como esse enquadramento moldou o quanto você realmente aprendeu com ele?
  • A IA conversacional descreve COMO um agente fala, e não para o que ele é construído. Um chatbot poderia ser conversacional e ainda completamente não pedagógico — e o que lhe diria a diferença?
  • Um estudo concluiu que o letramento em IA — e não a habilidade técnica geral — predizia se os estudantes estavam dispostos e capazes de usar um chatbot. Por que saber como a IA funciona poderia importar mais do que ser "bom com computadores"?
  • Um chatbot geral cru pode curto-circuitar o raciocínio respondendo imediatamente, enquanto um tutor estruturado preserva a luta produtiva ao reter as respostas. Que escolhas de desenho decidem com que tipo de agente um estudante se encontra?
  • Estudantes que usaram um chatbot de curso de direito fizeram um terço de suas interações fora do horário de expediente — evidência de que a disponibilidade 24/7 é um benefício real. Mas o acesso sempre disponível também carrega riscos contra os quais você gostaria de se proteger no desenho?
  • A maior barreira à adoção de chatbot em um estudo foi um pop-up mal desenhado, e não a desconfiança ou o medo de violar a integridade acadêmica. O que isso sugere sobre onde os investimentos em IA na educação realmente falham?

Introdução

A IA conversacional (CAI) é o termo guarda-chuva para agentes dirigidos por IA que conduzem diálogo falado ou escrito, mais comumente realizados como chatbots e, mais recentemente, como assistentes baseados em IA generativa e LLM, como ChatGPT, Claude e avatares educacionais multimodais. Os agentes modernos de CAI caem nas categorias baseadas em Aprendizado de máquina, baseadas em NLP e híbridas, sendo os agentes baseados em texto os mais prevalentes na educação. Como ferramentas de aprendizagem, eles funcionam como tutores inteligentes, provedores de feedback, parceiros de interação e assistentes administrativos — sobrepondo-se aos agentes pedagógicos ao mesmo tempo que abrangem um conjunto mais amplo de aplicações.

Como a IA conversacional aparece na base de conhecimento

Uma síntese de revisão guarda-chuva. A revisão guarda-chuva dos agentes de CAI (34 artigos de revisão) mostra que a utilização de CAI se concentra no apoio ao ensino e à aprendizagem (97,1% das revisões), no apoio psicológico e motivacional (91,2%) e no desenvolvimento metacognitivo e pessoal (88,2%), enquanto o apoio administrativo, a gestão da pesquisa e a educação em saúde ficam atrás. A revisão documenta que as preocupações com a relação humano–IA persistem em todas as gerações de CAI, com a Integridade acadêmica e a privacidade de dados emergindo como questões éticas mais recentes, e pede desenho fundamentado em IHC, baseado em evidências, e apoio mais forte ao letramento em IA.

De chatbots a agentes de tutoria. A base de conhecimento traça a evolução da CAI de chatbots de FAQ baseados em regras rumo a agentes focados em tutoria. O framework de tutores de IA conversacional argumenta que tecnologias comprovadas de ITS (Rastreamento de conhecimento, detecção de afeto, modelagem do estudante) deveriam ancorar os tutores generativos, enquanto a IA generativa fornece o diálogo flexível. A pesquisa sobre se os tutores de LLM ensinam ou resolvem e sobre IA específica de tutoria versus IA geral mostra que barreiras de proteção pedagogicamente desenhadas importam: chatbots gerais crus podem curto-circuitar o raciocínio, enquanto tutores estruturados preservam as dificuldades desejáveis.

Os benchmarks podem superestimar quanto do andaimento é de fato aproveitado: ao longo de 9.490 conversas em nove conjuntos de dados, estudantes em implementações reais contornaram o enquadramento pedagógico do chatbot a um custo interpessoal quase nulo, para conduzir a interação rumo seus próprios objetivos — um movimento instrumental de busca de ajuda, e não de desengajamento (Neagu et al. (2026)).

Interação e colaboração. Os agentes conversacionais são cada vez mais enquadrados como parceiros de interação, e não como fornecedores de respostas. Interação Estudante-IA captura como quem aprende faz prompting, questiona e verifica com a CAI na prática. Na aprendizagem colaborativa, os agentes medeiam a participação e a regulação compartilhada, e na aprendizagem de línguas eles oferecem prática conversacional em tempo real. A linha de colaboração humano–IA examina quando essa parceria preserva o trabalho cognitivo de quem aprende em vez de substituí-lo. As LLMs como parceiros de crítica ilustram concretamente o lado da preservação: Oppenheimer, Cash & Connell Pensky (2025) fizeram o ChatGPT, o Gemini ou o Claude criticarem redações argumentativas de estudantes ao longo de um semestre, e quem aprendeu melhorou em escrita, prompt engineering e resposta ao feedback, ao mesmo tempo que avaliava as trocas como úteis, engajadoras e prazerosas — com a refutação ativa das afirmações do modelo (87,8%) mostrando que trataram o parceiro conversacional de forma crítica, e não passivamente.

Agentes conversacionais são usados para corrigir, e seu comportamento avaliativo diverge do dos humanos: o ChatGPT foi o mais indulgente de três avaliadores dos mesmos 52 projetos de graduação (M = 91,46 contra 83,13 do instrutor) e não compartilhou lógica de correção alguma com os pares (r = 0,05), embora os estudantes valorizassem sua interatividade dialógica (Usher & Faraon (2026)).

Andamiar o lado do estudante na conversa. Jin et al. (2026) acrescentam a uma interface de chat um monitor de especificidade das perguntas e um modelo de revisão, e intervêm apenas em perguntas vagas: em um estudo entre sujeitos com 40 estudantes universitários aprendendo programação web, os usuários do HelpCoach escreveram primeiras perguntas significativamente mais específicas (57,3% contra 40,5%) e retiveram mais conhecimento uma semana depois (ganho médio 1,9 contra 0,3 de 6, d = 1,100). O benefício de retenção não passou por respostas de chatbot mais direcionadas, que não diferiram por condição — deixando o mecanismo como hipótese aberta em vez de via demonstrada.

O papel que o agente desempenha molda a interação. O desenho de CAI não é neutro em relação a sua persona: Liao (2026) concluiu que um companheiro fixo de "par estudante" na conversa sobre livros do ensino fundamental sustentou interações mais longas, mas dominou a conversa (menor participação do estudante em palavras/frases) e bateu em um "teto afetivo" — igualando um professor humano em recordação factual, mas ficando aquém em reflexão emocional e voltada ao futuro — argumentando que a CAI deveria adaptar seu papel (par, assistente de professor, conselheiro parental) em vez de permanecer monolítica. Xu et al. estendem isso a pequenos grupos, mostrando que a IA generativa age tanto como um agente quanto como um espaço colaborativo em dinâmicas colaborativas síncronas e assíncronas, em que o desenho da interação decide se ela anda ou suplanta a cognição de grupo. O tom também pode ser definido por um classificador externo, e não apenas pela conversa: o Sukoon (Bashir & Afzal, 2026) treina uma Random Forest com 20 variáveis de pesquisa para atribuir um nível de estresse baixo, moderado ou alto, e essa saída seleciona uma de três camadas de resposta inspiradas no Stepped Care Model — calorosa e encorajadora em estresse baixo, aterradora e sem julgamento em estresse alto — antes que uma LLM de código aberto (GLM-4.5-Air via OpenRouter) assuma o diálogo com o histórico completo da conversa e um prompt de sistema culturalmente adaptado reenviado a cada turno. Os autores escolheram deliberadamente um modelo multilíngue de acesso livre para manter a implementação viável em universidades regionais, e observam que o urdu aparece por meio de prompt engineering, e não por um pipeline genuinamente bilíngue — uma limitação que importa sempre que a adequação cultural é reivindicada como propriedade do sistema em vez de resultado avaliado.

O comportamento conversacional acompanha o provedor, não o ajuste. Ao longo de 1.971 transcrições de IA e 135 humanas avaliadas em seis regras fixas extraídas das ciências da aprendizagem, os modelos de um mesmo provedor se agruparam, sem sobreposição entre as faixas de família, o que os autores leem como comportamento de ensino seguindo práticas de treinamento de todo o provedor, e não o ajuste de modelos individuais (Northcutt et al. (2026)).

A consistência das respostas é um problema de infraestrutura, e não de prompting: a similaridade de respostas dentro do modelo ficou entre 0,715–0,795 contra 0,443–0,604 entre modelos, e acrescentar histórico de chat mudava o conteúdo das respostas mesmo para a mesma mensagem focal (Hao (2026)). Perspectivas dos estudantes. O uso no mundo real mostra que a adoção depende do letramento em IA e da experiência de usuário mais do que da capacidade técnica. Um estudo de métodos mixtos centrado no humano do "Jordan Chatbot", um agente pedagógico baseado em GPT-4o em um curso de direito australiano, concluiu que os estudantes têm atitudes positivas e percebem ganhos de conhecimento, ao mesmo tempo que apoiam fortemente os requisitos de Integridade acadêmica; mais de um terço das interações ocorreu fora do horário, confirmando o valor da disponibilidade 24/7 (Colbran, Jha & Schiavone 2026). Notavelmente, o letramento em IA — e não a proficiência tecnológica geral — predizia a disposição e a confiança para usar o chatbot, e a usabilidade (um desenho intrusivo de pop-up) era a maior barreira entre os não usuários, à frente da confiança, da preferência pela equipe e do medo de violar a integridade acadêmica.(Understanding student perspectives on generative AI chatbots: a human-centred mixed-methods study in higher education) O estudo recomenda desenho centrado no humano, políticas explícitas de IA e rótulos de avaliação, treinamento de equipe e de estudantes e monitoramento contínuo de erros — evidência de que uma implementação eficaz de CAI é tanto um problema de desenho e letramento quanto um problema técnico. Na outra ponta da faixa de idade, Vahedian Movahed & Martin (2025) estudaram crianças de 6 a 14 anos interagindo com a AMA, um chatbot delimitado por tema e adaptado à idade (astronomia, tênis e calçados, dinossauros), encontrando ampla abertura e alta confiança na IA como fonte de informação — as crianças chegavam a testar sua credibilidade com perguntas de resposta conhecida — junto a lacunas de engajamento crítico e de consciência de segurança digital que argumentam a favor de um desenho de IA conversacional sensível à idade e consciente da confiança, e de instrução explícita sobre privacidade.

Quem usa o agente também varia: entre 97 estudantes de pós-graduação em estatística, mais de um quarto nunca usou o chatbot StatBot, e as estudantes do sexo feminino o usaram significativamente mais vezes (W = 679,5, p = .015), o que os autores leem como a IA conversacional reduzindo o risco social percebido de fazer perguntas (Lee e Wu (2026)).

A adoção não é homogênea: ao agrupar 192 respostas de estudantes e educadores, surgem quatro personas — Realizadores Cautelosos, Utilitários Céticos, Duvidosos Desengajados e Entusiastas Engajados — que os modelos de aceitação de efeito médio obscurecem, com estudantes priorizando o feedback imediato e educadores priorizando a precisão do conteúdo e a Integridade acadêmica (Saihi & Ahmed (2026)). Durabilidade foi observada em uma implementação institucional. Uma avaliação randomizada de quatro anos de um chatbot não generativo baseado em base de conhecimento na California State University, Northridge (N = 8.708), concluiu que os estudantes permaneceram receptivos ao longo de oito semestres — as taxas anuais de recusa nunca excederam 4% — enquanto os impactos se concentraram em tarefas administrativas sensíveis ao tempo, como a matrícula antecipada em cursos (34 pontos percentuais mais propensos a se inscrever até o prazo), e nenhum efeito estatisticamente significativo apareceu sobre média de notas, créditos ou persistência (Mata, Russell & Page 2026, um working paper). Sua lição de mensuração é relevante para como o engajamento com a CAI é contado: com a recusa perto de zero ao lado de cerca de 5% de engajamento ativo em campanhas interativas, as conclusões sobre engajamento sustentado dependem de um estudo contar apenas as respostas diretas ou também o engajamento passivo, em que os estudantes agem sobre a informação sem responder por texto.

Riscos e ética. Os agentes de CAI carregam riscos persistentes de dependência excessiva e deslocamento cognitivo (a principal preocupação ética na revisão guarda-chuva), além de limitações técnicas, alucinação, viés, plágio e barreiras de equidade. Essas preocupações animam o letramento em IA e a redução do uso indevido e exigem respostas de política e de governança ética. Uma preocupação adicional de confiança surge em torno dos conselhos de adoção que a equipe cada vez mais recebe: pede-se à equipe que consulte a IA conversacional sobre se deve adotar IA, embora tais sistemas sejam construídos por organizações com interesse comercial na adoção. Uma auditoria de dez LLMs de fronteira concluiu que a maioria reconhece as preocupações de usuários céticos antes de redirecionar para enquadramentos de engajamento, levantando questões sobre a neutralidade dos conselhos de adoção de IA.

Agentes conversacionais baseados em jogos. Além da tutoria, agentes conversacionais estão sendo embutidos em jogos digitais de aprendizagem. Wenzel, Geiger e Liening (2026) usam action design research para derivar o framework CAIS-GBL — quatro princípios de desenho e quinze características de desenho para agentes de IA conversacional em jogos digitais de aprendizagem — fundamentado em metarrequisitos teóricos que abrangem engajamento cognitivo, motivacional, afetivo e sociocultural e engajamento do estudante, com uma postura de equidade pelo desenho. O agente instanciado por eles (Lara) em um jogo de simulação de negócios foi recebido positivamente pela presença cognitiva e social e pelo apoio à aprendizagem autorregulada, avaliado com professores em formação e em um estudo de campo — um modelo prático para apoio instrucional adaptativo via agentes conversacionais em serious games.

Relação com agentes pedagógicos e tutoria inteligente

A IA conversacional é melhor compreendida como uma modalidade de interação que se sobrepõe — mas não coincide — a dois construtos mais estabelecidos na base de conhecimento: agentes pedagógicos e sistemas de tutoria inteligente (ITS).

A IA conversacional como meio, não como pedagogia. A CAI nomeia como o agente se comunica (diálogo em linguagem natural, falado ou textual). Ela diz pouco por si só sobre o que o agente é construído para fazer. Os agentes pedagógicos, em contrapartida, são definidos por seu papel instrucional — um componente de IA que engaja quem aprende por meio de diálogo, perguntas ou prompts para apoiar processos metacognitivos, feedback e andaimento. Os sistemas de tutoria inteligente são definidos por sua arquitetura e modelagem — uma espinha dorsal de diagnóstico de Rastreamento de conhecimento, modelagem do estudante e lógica de decisão pedagógica que rastreia o que quem aprende sabe e adapta a instrução. Um único agente pode ser os três ao mesmo tempo: por exemplo, um tutor de IA conversacional é um agente de CAI (interface de diálogo) que funciona como um agente pedagógico (estratégias de tutoria) construído sobre uma fundação de ITS (modelagem do estudante). A distinção importa porque um agente de CAI não precisa ser pedagogicamente fundamentado de forma alguma — um chatbot de FAQ simples é IA conversacional sem ser um agente pedagógico ou um tutor.

A lente do agente pedagógico. Os agentes pedagógicos usam o meio conversacional para enactar estratégias de ensino — eliciar autoavaliações, questionamento socrático, facilitação especializada por papel em desenhos multiagente (Professor, Assistente, Colega, Analisador). Nem todo agente de CAI é um agente pedagógico, mas os dois se sobrepõem fortemente: a revisão guarda-chuva dos agentes de CAI concluiu que apoio ao ensino e à aprendizagem (97,1%) e desenvolvimento metacognitivo (88,2%) dominam as aplicações de CAI, o que significa que a maioria dos agentes de CAI com foco educacional funciona pedagogicamente. A revisão de escopo sobre programadores novatos afia isso: apenas 4 de 23 agentes conversacionais fundamentavam explicitamente o desenho na teoria da aprendizagem — a maioria era pedagógica na intenção, mas não na fundamentação.

A lente do ITS. A tutoria inteligente contribui com a maquinaria de diagnóstico cognitivo que os modelos conversacionais crus não têm. O framework de tutores de IA conversacional argumenta que as tecnologias comprovadas de ITS deveriam ancorar os tutores generativos: rastreamento de conhecimento, detecção de afeto e modelagem do estudante fornecem a estrutura, enquanto a IA generativa e as LLMs fornecem o diálogo flexível. Essa é a tensão-chave de desenho — a IA conversacional fornece interação natural e escalável, mas, sem a estrutura ao estilo de ITS, ela corre o risco de superandaimento, alucinação ou de contornar a luta produtiva de quem aprende. Pesquisas como Measuring Whether LLM Tutors Teach or Solve: A Diagnostic for Educational Impact e The Evidence Base on AI in K-12: A 2026 Review mostram que critérios orientados à pedagogia (perguntas norteadoras, dicas calibradas) precisam ser desenhados explicitamente.

Em resumo: a IA conversacional é a interface/meio, os agentes pedagógicos são o papel, e a tutoria inteligente é a modelagem subjacente e a lógica instrucional. Agentes de CAI educacionalmente valiosos ficam na interseção dos três — conversacionais na interface, pedagógicos na intenção e semelhantes a tutores na modelagem de quem aprende.

Orientações práticas

Escolha agentes conversacionais para apoiar o ensino, a motivação e a metacognição, em vez de meramente para responder perguntas, e desenhe para uma interação fundamentada em IHC, participativa e centrada no usuário. Proteja-se contra a dependência excessiva pareando a CAI com instrução de letramento em IA e com feedback que mantenha quem aprende cognitivamente produtivo. Trate do letramento em IA e da usabilidade de forma explícita — já que são eles — e não a habilidade digital geral — que dirigem a adoção e a não utilização (Colbran, Jha & Schiavone 2026) — e pareie a implementação com políticas claras de uso de IA, rótulos de avaliação e treinamento. Avalie a CAI em resultados pedagógicos — e não apenas na conclusão de tarefas — e planeje a equidade e a acessibilidade desde o início, em vez de como reflexão tardia.

  • Como os estudantes de fato conversam com agentes conversacionais — um esquema de desengajamento de seis categorias: Rho et al. (2026) incorporaram um agente ensinável GPT-4-Turbo (posicionado como um estudante do ensino fundamental em dificuldade, fundamentado com RAG sobre um grafo de conhecimento e pareado com um agente mentor que criticava as explicações dos estudantes) nas lições de Álgebra e Geometria do Math Nation, e codificaram 5.522 enunciados de 246 estudantes. Além do engajamento (75,7% dos enunciados), identificaram Resposta Falsa (12,8%), Retenção (8,9%), Aleatório/Ruidoso (2,1%), Espelhamento (0,6%), Zombaria (0,3%) e Abandono (0,2%) — com o Espelhamento (copiar o texto do agente) emergindo indutivamente dos dados. A classificação foi com humano no circuito: 1.682 enunciados anotados por dois avaliadores (κ = 0,704–0,905 por categoria) treinaram um classificador LLaMA 3 ajustado (F1 ponderado = 0,910 em threads retidas) que rotulou os 3.840 enunciados restantes. Uma análise de riscos competitivos em nível de processo mostrou então que a maior parte do desengajamento se resolve em poucos turnos, exceto a Retenção, que persiste — um sinal que vale desenhar as respostas do agente em torno.

Conceitos conectados

Artigos conectados

Citação

Ganguly, A., Mehjabin, N., Malik, A., & Johri, A. (2025). Agentes de IA conversacional na educação: uma revisão guarda-chuva. AI and Ethics, 6, 72.

Metadados

Tecnologias e técnicasIA conversacional, IA generativa, Tutoria inteligente, Grandes modelos de linguagem (LLMs), Agente pedagógico
Fundamentos da IA na educaçãoLetramento em IA, Colaboração humano-IA
SourceHistoryEditChat

Incorporar esta página

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