Pensamento crítico

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

Pensamento crítico — a capacidade de analisar, avaliar e sintetizar informação — é tanto uma habilidade que ferramentas de IA podem ajudar a desenvolver quanto uma competência que os estudantes precisam aplicar ao usar IA. Na IA na educação e na pesquisa sobre ela, o pensamento crítico aparece em duas formas inter-relacionadas: como objetivo de aprendizagem (ensinar os estudantes a pensar criticamente) e como salvaguarda contra a dependência acrítica da IA.

Perguntas para refletir

• Quão confiante você está na sua capacidade de identificar uma resposta falsa ou enganosa gerada por IA? A pesquisa sugere que a competência em IA auto-reportada supera de longe a capacidade real de avaliação — como você se testaria?
• O pensamento crítico aparece aqui em duas formas: uma habilidade a ensinar e uma salvaguarda contra a dependência acrítica da IA. Você consegue pensar numa situação em que uma ferramenta que "ensina" pensamento crítico está de fato treinando o oposto?
• Um estudo descobriu que fazer os estudantes interrogarem erros gerados pela IA produziu grandes ganhos em pensamento de ordem superior. Como expor deliberadamente erros — em vez de escondê-los — pode ser um movimento de ensino mais poderoso do que você supunha?
• O acesso fácil a respostas de IA pode deslocar o engajamento crítico antes que os estudantes percebam. Que característica de desenho, em vez de uma política ou uma proibição, poderia manter vivo o esforço cognitivo?
• Já se mostrou que conselhos de IA suprimem a disposição de dizer "não sei" — mesmo quando o conselho está errado. Como isso muda o que significa criar uma cultura de sala de aula em que questionar é seguro?

Introdução

O pensamento crítico é central para o letramento em IA — estudantes que não conseguem avaliar criticamente as saídas da IA são vulneráveis ao Excesso de Dependência, a informação alucinada e a recomendações enviesadas. A pesquisa sobre Descarregamento cognitivo mostra que o acesso fácil a respostas de IA pode deslocar o engajamento crítico, enquanto abordagens socráticas que retêm respostas diretas preservam o esforço cognitivo necessário para o pensamento mais profundo.

É o controle estruturado do diálogo, e não um prompt melhor, o que separa um tutor de falácias de um chatbot de debate: rotear cada turno por detecção de intenção baseada em Toulmin, uma ordem fixa de estratégias e um agente verificador permitiu que um sistema socrático passasse 84,5% das métricas de qualidade de diálogo contra 61,5% de uma baseline heurística (Shi et al. (2026)).

Pensamento crítico na pesquisa em educação em IA

Os artigos da base de conhecimento exploram o pensamento crítico por lentes baseadas em desenho e empíricas. Agentes de IA adversariais encenam conflito construtivo para provocar reconsideração em designers novatos — uma variante socrática que força a reavaliação crítica. A pesquisa RCT sobre GenAI no ensino levanta a questão de saber se ferramentas de IA que otimizam para resultados de superfície podem inadvertidamente suprimir o pensamento crítico que leva à aprendizagem mais profunda. A evidência medida aguça o ponto: se o pensamento crítico se move depende de como o feedback e as tarefas mediadas por IA são desenhados, e da regulação metacognitiva dos aprendizes, e não do acesso a um modelo.

A ligação do uso de GenAI com o pensamento crítico auto-reportado passou quase inteiramente pelo letramento em feedback dos estudantes: em 421 graduandos chineses, o letramento em feedback mediou 71,98% da associação total (β=0,185), e o caminho direto residual foi positivo apenas para estudantes menos reflexivos (β=0,177) e não significativo para os mais reflexivos (Yan et al. (2026)).

Uma âncora metanalítica para a afirmação da moderação. Ao longo de 29 experimentos, a GenAI elevou moderadamente o pensamento de ordem superior (g = 0,609), com o pensamento crítico em ES = 0,691 — abaixo de resolução de problemas (0,745) e acima de criatividade (0,444) — mais forte para intervenções de 8–16 semanas (0,759) e para aprendizes com alta autorregulação (0,863 contra 0,284) (Zhao et al. (2025)).

Revisões do impacto do ChatGPT sobre o pensamento documentam achados mistos: a IA pode scaffold a análise crítica quando usada deliberadamente (ex., pedindo aos estudantes que critiquem argumentos gerados por IA), mas também pode atropelar o pensamento quando usada como máquina de respostas. Essa tensão conecta-se à pesquisa How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures que mostra que a competência em IA auto-reportada supera de longe a capacidade real de avaliação crítica. Uma revisão crítica de 80 estudos de IHC sobre pensamento crítico com IA descobriu que o campo mede o que raramente define: apenas 23 dos 80 declararam como entendiam o pensamento crítico, 49 (61%) o avaliaram por auto-reporte em vez de desempenho, e 42 (52%) não usaram grupo controle (A Critical Review of Critical Thinking in HCI Research About AI).

Lin e Al-Hada (2026) leem esse quadro misto como uma dissociação produto–processo: a GenAI pode elevar a qualidade de uma tarefa enquanto rebaixa a transferência não auxiliada e retardada por trás dela, de modo que a aprendizagem deveria ser julgada pelo desempenho não auxiliado e retardado, e não pelo produto assistido por IA.

• Engajamento cognitivo de ordem superior no chat estudante-IA. Chang e Li (2026) descobrem que ~62% dos prompts dos estudantes para a IA codificam demanda cognitiva de ordem superior, com perfis de nível de Bloom variando por disciplina (STEM com predominância de Apply 20,8%, línguas com predominância de Understand 31,7%, ciências sociais com predominância de Create 33,8%). Seu desenho within-person mostra que os mesmos estudantes produzem significativamente mais prompts de ordem superior em ciências sociais que em cursos de STEM (p < ,001), indicando que o contexto disciplinar molda o engajamento crítico e de ordem superior com a IA.

• Padrões de interação se agrupam por nível de Bloom e conhecimento prévio. Numa tarefa de escrita de ciência de dados baseada em investigação, 19 estudantes produziram 14 padrões de interação com LLM que variaram por nível de conhecimento prévio, e a implicação de desenho foi mirar o scaffolding em estágios específicos de pensamento de ordem superior, e não no uso de LLM em geral (Luo et al. (2026)).

• A IA como catalisadora do letramento midiático crítico em crianças. Demir e Akar (2026) avaliam um programa de letramento midiático crítico de 18 horas com o modelo 5E para estudantes turcos do 4º ano em que a IA generativa (ChatGPT, Grammarly) atuou como agente pedagógico embutido fase por fase, em vez de como acréscimo. Comparações de amostras pareadas mostraram grandes ganhos em leitura midiática (+3,50), escrita (+1,67) e letramento midiático total (+5,17, todos p < ,01), com tamanhos de efeito no pós-teste entre grupos de d de Cohen = 1,12 (leitura), 1,18 (escrita) e 1,31 (letramento total) favorecendo o grupo apoiado por IA. A análise qualitativa (entrevistas, cartazes/desenhos/slogans dos estudantes, observação de sala de aula) revelou seis domínios de crescimento em letramento midiático crítico — autoproteção digital e privacidade de dados, uso midiático proposital e responsável, comunicação segura e consciência de limites, avaliação crítica e consciência de desinformação, consciência de riscos online, e ética midiática/cidadania digital — indicando que interrogar deliberadamente o conteúdo mediado por IA pode cultivar análise crítica e reflexão em aprendizes jovens.

• Ganhos de pensamento crítico específicos por dimensão em escrita multimodal no ensino fundamental. Lu et al. (2027) acompanharam 60 estudantes do 5º ano ao longo de oito semanas de prática de escrita multimodal apoiada por IA conversacional, em que eles transformavam narrativas em imagens e vídeos curtos gerados por IA. A análise de medidas repetidas ao longo de seis dimensões de pensamento crítico encontrou ganhos sustentados (T1→T2 e T1→T3) em interpretação, análise, avaliação e explicação, um ganho de autorregulação de curta duração, e nenhuma mudança em inferência — um padrão desigual, ao nível de dimensão, que uma nota agregada de pensamento crítico teria escondido. Os autores argumentam que os visuais gerados por IA externalizaram o sentido e com isso reduziram a demanda inferencial que a escrita normalmente impõe, enquanto a colaboração entre pares (perguntas de colegas que forçavam inferir as interpretações dos outros) forneceu as ocasiões de inferência que a interação individual com IA não forneceu. A lição de desenho: IA multimodal compondo apoia várias facetas do pensamento crítico, mas deveria ser combinada com scaffolding contínuo e troca estruturada entre pares para preservar inferência e autorregulação.

• O scaffolding de IA e o offloading puxam o pensamento crítico em direções opostas. Davor, Larbi e Boateng (2026) pesquisaram 533 estudantes universitários em Gana e descobriram que o scaffolding de tarefas por IA predizia pensamento crítico mais alto (β = ,185), enquanto a tendência ao offloading cognitivo predizia pensamento crítico mais baixo (−,240); o letramento de verificação de IA não teve efeito direto sobre o pensamento crítico e funcionou apenas por meio da autorregulação metacognitiva, um padrão de mediação plena que os autores leem como evidência de que ensinar os estudantes a checar a IA não basta por si só. (Davor et al. 2026)

• A profundidade do offloading, não o uso, limita o pensamento de ordem superior. Delegar a camada de raciocínio da escrita — garantias, contra-argumentos, interpretação de evidência — carregou a associação negativa mais forte com pensamento independente de ordem superior (ab = −0,34), e a escrita autorregulada enfraqueceu, mas nunca reverteu, essa associação (Chen (2026)).

• A dependência, não o uso, é onde a associação com o pensamento crítico muda. Shojaei e colegas (2026) pesquisaram 412 estudantes de negócios em Omã e descobriram uma correlação bivariada quase zero entre uso de GenAI e disposição auto-reportada ao pensamento crítico (r = 0,050), com a dependência predizendo menor disposição (β = −0,389) e enfraquecendo a ligação do uso à disposição (β = −0,239), de modo que a inclinação simples caiu de 0,424 em baixa dependência para −0,054 em alta dependência. (Shojaei et al. 2026)

Uma pesquisa transversal maior aponta na direção oposta: entre 1.157 estudantes de pós-graduação chineses, a dependência de GenAI se associou positivamente ao pensamento crítico (β = 0,492), e o pensamento crítico carregou aproximadamente 85,0% do caminho da dependência funcional para a criatividade em pesquisa (Yin et al. (2026)).

• Um prompt breve de reflexão torna mais discriminativa a confiança em conselhos de IA. Num experimento de três condições com 342 graduandos, Ren (2026) descobriu que o apoio aberto do ChatGPT produziu aceitação de recomendações incorretas da IA em 62,4% das tentativas, caindo para 39,7% com um breve prompt de reflexão metacognitiva (OR = 0,40, IC 95% [0,28, 0,56]); a reflexão também melhorou a calibração da consciência (0,59 vs. 0,41) e cortou o índice de viés de atribuição específico da IA de 0,42 para 0,21 sem reduzir a acurácia das recomendações nem desencadear rejeição indiscriminada de conselhos úteis. (Ren 2026)

• A confiança pode subir enquanto a acurácia cai. Shaw e Nave (2026) descobriram que consultar um assistente de IA elevou a acurácia em 25 pontos percentuais quando ele acertava e a reduziu em 15 quando errava, mas engajá-lo aumentou a confiança mesmo depois dos erros, e 73,2% das tentativas com IA incorreta terminaram em rendição em vez de offloading estratégico.

• O feedback do ChatGPT curado por professores eleva o pensamento crítico por meio de revisão de ordem superior. Chen e colegas (2026) realizaram um quase-experimento de 18 semanas com 64 graduandos, todos futuros professores de química, física ou matemática, comparando feedback convencional do professor (n = 32) com feedback do professor assistido por ChatGPT (n = 32) ao longo de duas tarefas de escrita argumentativa. Os grupos começaram equivalentes, e apenas o grupo assistido melhorou significativamente (p < 0,001), com o d de Cohen subindo de 0,25 no pré-teste para 3,74 no pós-teste. O mecanismo foi o tipo de feedback, e não a mera presença de um modelo: o grupo assistido recebeu mais feedback de demonstração (33,1% vs. 10,9%) e de questionamento próximo (21,5% vs. 6,0%), revisou 91,00% (435 de 478) das unidades de feedback contra 85,21% (242 de 284), e a análise de redes epistêmicas ligou essas revisões a análise, avaliação e criação, e não a reconhecimento e compreensão, enquanto o feedback apenas de instrução e avaliação do professor produziu principalmente revisões de reconhecimento e compreensão. Os professores trataram a saída do modelo como material de rascunho, expandindo, revisando ou descartando-a (14% descartada, 9% precisando de correção), e seis de oito entrevistados ainda apontaram imprecisão ou falta de profissionalismo. A lição de desenho é que o ganho em pensamento crítico veio de feedback que modela alternativas e interroga o raciocínio do estudante, com um professor curando o que o modelo produziu; a amostra pequena e de um único semestre significa que o tamanho de efeito muito grande deve ser lido com cautela. (Chen et al. 2026)

• Um semestre de acesso à IA deixou o pensamento crítico estável, enquanto o uso reflexivo o acompanhou. Melanou, Beege e Kimmig (2026) acompanharam 87 estudantes de informática de negócios ao longo de um curso de nove semanas em três condições paralelas (IA enquadrada por tutor, IA sem guia e sem IA), medidos três vezes. O conhecimento subiu em todos os grupos, sem vantagem para nenhuma das condições de IA e sem efeito Mateus (BF01 = 8,70), enquanto o pensamento crítico auto-reportado e a motivação ficaram estáveis. O que separou os estudantes foi o uso reflexivo, a prática de checar fontes e verificar a saída da IA antes de adotá-la: ele foi mais alto na condição com IA que no grupo controle (médias de 3,72 vs. 2,82) e predisse o pensamento crítico na medição final (R² = 0,183, β = 0,43, p < 0,001). O resultado qualifica qualquer expectativa de que um curso de uso de IA moverá o pensamento crítico por si só: a regulação metacognitiva, e não o acesso à ferramenta, é onde vive a associação, e os autores notam que um semestre é provavelmente curto demais para ver mudança duradoura. (Melanou et al. 2026)

Conexões com outros conceitos

O pensamento crítico se cruza com Andaime (Scaffolding) (desenhar apoio de IA que mantém a demanda cognitiva), Engenharia de prompts (formular questões que eliciam análise crítica) e Excesso de Dependência (saber quando confiar e quando questionar a IA). Ele é fundamental para o integridade acadêmica e serve como dimensão-chave dos frameworks de Letramento em IA em contextos tanto de K-12 (educação básica e média) quanto de ensino superior.

• Erros de IA como provocações para o pensamento de ordem superior: Hosseini (2026) operacionaliza os níveis de ordem superior de Bloom (Analyze, Evaluate, Create) fazendo os estudantes interrogarem erros gerados pela IA num curso de banco de dados, com ganhos pré/pós significativos (d de Cohen = 1,49) em competência de conteúdo disciplinar.

• A crítica da saída da IA é uma habilidade escalonável, não um subproduto da resolução de problemas. Grupos que apenas resolveram um problema de física relacionado aceitaram uma solução de IA polida ou a criticaram a partir de suas próprias concepções errôneas, enquanto a reflexão guiada pela rubrica MAPS produziu críticas alinhadas a especialistas sobre integração ausente e notação indefinida (Borse et al. (2026)).

• Delimite a IA para preservar a agência cognitiva. O modelo E3-HOT mapeia três vias incorporadas — encaixe situacional, participação incorporada, criação cognitiva — sobre Analyze, Evaluate e Create, e restringe a IA a prompts, críticas e sugestões de estratégia, de modo que os estudantes precisam articular justificativas e citar evidência antes que uma afirmação seja aceita (Zhu et al. (2026)).

• Auditoria de dois lados das explicações de IA. Bernstein e Sibia (2026) usaram os padrões de Paul–Elder (acurácia, clareza, pressupostos, ponto de vista) como sondas de entrevista com dez estudantes que haviam completado CS2, e descobriram escrutínio ao nível de mecanismo das explicações de GenAI: os estudantes localizavam onde o mapeamento de uma analogia quebrava (uma analogia de rota de ilha para lista encadeada que implicava um círculo, uma troca de badminton oferecida para recursão que não tinha entrada garantidamente decrescente), exigiam formulação precisa em vez de hesitação, e tratavam as explicações como argumentos que carregam um ponto de vista. Crucialmente, esse escrutínio acompanhava a expertise no domínio de origem ou de destino, e não o interesse pessoal — reformulando a avaliação crítica da IA como um problema de conhecimento ("auditoria de analogias de dois lados") em vez de um problema disposicional — e sugerindo que atribuir analogias de IA falhas como objetos a inspecionar e reparar é uma verificação mais dura da compreensão conceitual do que ler uma explicação pronta.(Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education)

• O pensamento crítico como engajamento não terceirizável. Xie (2026) acrescenta uma contraparte filosófica a partir do autocultivo daoísta: como a IA é uma "caixa preta" opaca, um framework orientado a harmonizar a incerteza em vez de adjudicar a verdade em termos absolutos serve melhor à paisagem epistêmica atual, e o pensamento crítico torna-se engajamento sustentado, em primeira pessoa e não terceirizável com a realidade, em vez de um procedimento racional demonstrável. Na prática de Neidan (內丹) "não existem atalhos cognitivos", de modo que a IA é posicionada como "não um substituto cognitivo, mas um coadjuvante instrumental" do florescimento humano.(Alternative AI Philosophy: Daoism as Method for AI in Education)

• A rotação de papéis como estrutura para a interação humana-IA crítica. Kenzhebayeva e colegas (2026) reportam um estudo baseado em desenho em que 62 futuros psicólogos educacionais passaram por quatro papéis profissionais (Construtor de Casos, Analista de Pesquisa, Praticante-Intervencionista, Pesquisador Reflexivo) que faziam das recomendações geradas o objeto da discussão: os participantes comparavam a saída da IA com a teoria psicológica e modificavam ou rejeitavam recomendações que não se encaixavam no caso, e ciclos posteriores mostraram mais pedidos de justificativa teórica, enquanto a dependência excessiva de respostas aparentemente autorizadas persistia. (Kenzhebayeva et al. 2026)

• Integração centrada na verificação numa disciplina. Uma revisão crítica da IA generativa na educação em química universitária (Vega-Baudrit e Rivera Álvarez, 2026) argumenta que, como o raciocínio químico precisa ser coordenado por representações macroscópicas, submicroscópicas e simbólicas, os estudantes não conseguem verificar o que não compreendem, de modo que conhecimento prévio e scaffolding vêm primeiro, e a verificação deveria ser desenhada para dentro da avaliação como uma atividade avaliada: identificar um pressuposto falso, corrigir um erro de unidade ou mecanismo, ou justificar a rejeição de uma resposta gerada, mantendo registros de prompt e históricos de revisão como traços de raciocínio. (Vega-Baudrit e Rivera Álvarez 2026)

• A verificação como atividade de aprendizagem, não apenas como salvaguarda. Wang (2026) organiza a avaliação de artefatos de IA em torno de seis dimensões interdependentes — Processo, Evidência, Acesso, Reprodutibilidade, Legitimidade e Fonte — e trata a montagem dessa garantia, e não a fluência da saída, como o que constrói expertise disciplinar.

A maior vulnerabilidade avaliada por especialistas na base de conhecimento é o pensamento crítico. Ao longo de 65 processos de aprendizagem avaliados por 30 especialistas, Pensamento Crítico e Pensamento Crítico-Analítico receberam a maior nota de disrupção do relatório (média 4,00 de 5; 96% dos avaliadores em 3 ou acima), com a melhora abaixo do limiar (2,40, 43%) (Kendeou, Greene & Nixon et al., 2026). Dez dos dezoito processos de ordem superior alcançaram consenso apenas sobre vulnerabilidade, o que o relatório lê como risco unilateral, e não como trade-off.

Conceitos conectados

• Metacognição
• Descarregamento cognitivo
• Letramento em IA
• IA generativa
• Ensino superior
• Aprendizagem baseada em problemas
• Tutoria inteligente
• Desenvolvimento educacional
• A docência
• Experiência dos estudantes
• Educação em química — Educação em química e IA: laboratórios, avaliação formativa, limites de LLM, filosofia da experimentação
• Educação em biologia — Educação em biologia e IA: assistentes de laboratório, letramento em IA em biologia, pensamento crítico, ferramentas especializadas
• Rendição cognitiva

Artigos conectados

• Ways Generative AI Can Support and Threaten Learning in K–20 US Education - Um consenso de 30 especialistas: o pensamento crítico carrega a maior nota de disrupção do relatório (média 4,00)

• From Plausibility to Verifiability: The PEARLS Framework for Developing Epistemic Agency in Generative AI-Mediated Higher Education — framework PEARLS para agência epistêmica e verificação da saída de IA (Wang 2026)

• Layer-Sensitive Cognitive Offloading in Generative AI-Assisted Writing: Supported Performance and Independent No-AI Outcomes — offloading cognitivo sensível a camadas na escrita assistida por GenAI (Chen 2026)

• The critical-thinking paradox in generative AI-integrated learning: distinguishing efficiency from cognitive depth — a differentiated framework and testable propositions — O paradoxo do pensamento crítico na aprendizagem integrada com GenAI

• The Pedagogy of AI Mistakes: Fostering Higher-Order Thinking — A pedagogia dos erros de IA: fomentando o pensamento de ordem superior (Hosseini 2026)

• Thinking—Fast, Slow, and Artificial: How AI Is Reshaping Human Reasoning and the Rise of Cognitive Surrender — Teoria dos Três Sistemas e rendição cognitiva: como a IA remodela o raciocínio humano (Shaw & Nave 2026)

• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — A tragédia dos bens comuns cognitivos: IA e regeneração da expertise

• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — Metanálise sobre GenAI e pensamento de ordem superior

• Can we disrupt the momentum of the AI colonization of science education? — Rompendo a colonização da educação em ciências pela IA

• Reorienting Critical AI Literacy: A Community-Rooted Praxis of “Resisting AI” — Reorientando o letramento crítico em IA

• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — Padrões de IBL em ambientes conduzidos por LLM (perspectiva de Bloom)

• Probing AI-Generated Physics Solutions and Preparing Students to Critique Them — Preparando estudantes para criticar soluções de física geradas por IA

• Flawed but Memorable: Student Critical Reception of Interest-Personalized GenAI Analogies in Computing Education — Falhas mas memoráveis: recepção crítica dos estudantes a analogias de GenAI personalizadas por interesse na educação em computação

• Alternative AI Philosophy: Daoism as Method for AI in Education — Filosofia alternativa da IA: o daoísmo como método para a IA na educação

• Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era — Fomentando aprendizagem sustentável via inteligência incorporada (E3-HOT)

• Modeling AI Overreliance as a Complex Adaptive System — A dependência excessiva de IA modelada como sistema adaptativo complexo

• More externalization, but less inference? Exploring changes in young learners' critical thinking during conversational — Ganhos de pensamento crítico específicos por dimensão em escrita multimodal apoiada por IA (Lu et al. 2027)

• Tackling the Root of Misinformation by Teaching Laypeople about Logical Fallacies via Socratic Questioning and Critical Argumentation — ensinando reconhecimento de falácias por diálogo multi-turno estruturado

• Building AI Companions that Prioritize Learning over Performance — aprendizagem acima de desempenho: pelo que companheiros deveriam ser otimizados e medidos

• Artificial intelligence-supported learning and higher-order cognitive outcomes: the mediating role of metacognitive self-regulation — Scaffolding de IA, offloading e letramento de verificação via autorregulação metacognitiva (Davor et al. 2026)

• Helpful or harmful? Generative AI dependence, self-reported critical thinking disposition, and self-perceived employability among business students — A dependência de GenAI limita a ligação entre uso e pensamento crítico em estudantes de negócios (Shojaei et al. 2026)

• College students’ metacognitive awareness of generative-AI reliance: an experimental study of decision confidence and attribution bias — Prompt de reflexão corta a aceitação de conselhos incorretos de IA e o viés de atribuição (Ren 2026)

• Designing an AI-integrated role-rotation pedagogical model to support competence-related learning in pre-service educational psychologists — Rotação de papéis como estrutura para a interação humana-IA crítica (Kenzhebayeva et al. 2026)

• Generative artificial intelligence in university chemistry education: a critical review using Johnstone’s chemistry triplet and Biggs’ 3P model — Integração de GenAI centrada na verificação na educação em química universitária (Vega-Baudrit e Rivera Álvarez 2026)

• Effects of ChatGPT-Assisted Teacher Feedback on College Students' Critical Thinking Skills and Perceptions of Argumentative Writing — feedback do ChatGPT curado por professores elevou o pensamento crítico via revisão de ordem superior (Chen et al. 2026)

• Generative AI and Learning Dynamics in Higher Education: A Longitudinal Empirical Study — um semestre de acesso à IA deixou o pensamento crítico estável; o uso reflexivo o predisse (Melanou et al. 2026)

• GenAI dependence and graduate students’ research creativity: the roles of critical thinking and human–AI collaboration quality — Dependência de GenAI associada positivamente ao pensamento crítico em 1.157 estudantes de pós-graduação

• The association between generative AI use and university students’ critical thinking: a moderated mediation model of GenAI feedback literacy and reflective thinking — Do uso de GenAI ao pensamento crítico via letramento em feedback, com caminho direto apenas para estudantes menos reflexivos

• AI Literacy and STEM Education: Emerging Frontiers and Research Priorities — Síntese dos dez estudos mais citados sobre letramento em IA na educação STEM (Hallström et al. 2026)