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

Pesquisa Baseada em Design

Criado 2026-08-24 · Atualizado 2026-09-30

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

A pesquisa baseada em design (DBR) — uma abordagem metodológica que projeta, implementa e refina iterativamente uma intervenção educacional em contextos autênticos, ciclando entre teoria, design e prática do mundo real para produzir tanto um artefato utilizável quanto princípios de design validados. Na IA na educação, a DBR é o método de escolha para desenvolver ambientes de aprendizagem com IA, modelos pedagógicos e programas de formação de professores que precisam funcionar na realidade bagunçada das salas de aula — trocando o controle causal dos experimentos por autenticidade ecológica e refinamento iterativo.

Questões a considerar

  • A pesquisa baseada em design projeta, implementa e refina iterativamente uma intervenção em salas de aula reais, ciclando entre teoria e prática. Como isso é fundamentalmente diferente de um experimento controlado — e por que um pesquisador de sala de aula poderia preferi-lo?
  • A DBR troca deliberadamente o controle causal por autenticidade ecológica. Se você não pode dizer com certeza O QUE causou um ganho de aprendizagem, o conhecimento ainda vale o quê?
  • A DBR produz duas coisas ao mesmo tempo: um artefato utilizável e princípios de design validados. Qual dessas duas saídas importa mais para você — uma ferramenta que funciona, ou um princípio que você pode aplicar em outro lugar?
  • Uma força da DBR é a alta relevância prática; uma limitação é que os achados são ligados ao contexto e difíceis de generalizar. Quando você confiaria em um achado de DBR o suficiente para aplicá-lo em um cenário muito diferente?
  • Sem uma medida de resultado controlada e sem assistência, os ganhos de aprendizagem da DBR podem refletir o mesmo problema de "desempenho inflado pela IA" que ela estuda. Como você projetaria um estudo de DBR para que seus ganhos relatados signifiquem de fato aprendizagem, e não desempenho assistido?

Introdução

A DBR é uma tradição de design, não uma tradição de dados: ela não se encaixa com perfeição no contraste quantitativo/qualitativo/experimental. Ela combina deliberadamente elementos dos três — coletando tanto dados de resultado quanto de processo ao longo de ciclos iterativos — para responder "como projetamos este ambiente de aprendizagem com IA para funcionar na prática?" em vez de "X causa Y?". Está intimamente relacionada ao design de aprendizagem (que especifica o processo de design) e à avaliação de usabilidade (que alimenta o refinamento), mas se distingue por seu caráter sustentado, dirigido por teoria e multicíclico, e por seu objetivo duplo de melhorar a prática e gerar teoria.

O ciclo da DBR

A DBR não é um design único, mas um laço iterativo, tipicamente composto por:

  1. Análise de necessidades — compreender o problema, o contexto e os aprendizes em cenários autênticos.
  2. Design — articular uma intervenção e sua fundamentação teórica subjacente.
  3. Implementação — implantar a intervenção em uma sala de aula ou programa real.
  4. Refinamento — analisar dados, revisar o design e iterar (frequentemente ao longo de múltiplos ciclos).
  5. Saída de teoria e artefato — produzir tanto uma intervenção utilizável quanto princípios de design generalizáveis ou um modelo validado.

O exemplo canônico de AIEd é o estudo do Modelo de Aprendizagem Colaborativa Assistida por IA (AACL), que rodou um ciclo de DBR em quatro fases — análise de necessidades, design do modelo, uma implementação em sala de aula de oito semanas com graduandos indonésios, e refinamento do modelo — iterando sobre um ciclo de aprendizagem de quatro estágios (identificação do problema → investigação colaborativa assistida por IA → resolução colaborativa de problemas → reflexão e apresentação).

Como a DBR aparece na base de conhecimento

  • Desenvolvendo modelos de aprendizagem. O estudo do Modelo AACL usa DBR para desenvolver e avaliar um modelo de aprendizagem colaborativa assistida por IA voltado ao pensamento crítico e à resolução de problemas no ensino superior.
  • Construindo formação de professores em letramento em IA. Le et al. desenvolvem e avaliam uma intervenção de DBR de formação em letramento em GenAI para estudantes de formação de professores; Baran et al. usam DBR ao longo de 2023–2025 para projetar aprendizagem profissional para letramento crítico em IA fundamentada em princípios de IA Centrada no Humano.
  • Projetando padrões institucionais. Crompton et al. usam DBR ao longo de dois macrociclos iterativos e 114 participantes para desenvolver seis padrões de integração tecnológica para docentes.
  • Implementação iterativa de sistemas. Rienties et al. descrevem seis estudos iterativos de DBR (18 meses, 498 participantes) implementando o assistente de IA AIDA da Open University usando uma abordagem de sistemas embarcados.
  • Design de suporte e intervenção. O suporte ao pensamento crítico com GenAI e outros estudos de desenvolvimento de intervenções usam DBR para projetar e refinar suportes baseados em IA.
  • Design de currículo guiado por jovens e especialistas. Moore et al. (2026) usam um processo de DBR de dois anos com um conselho consultivo de jovens e especialistas em IA para projetar um currículo de letramento em IA/ML integrado à ciência para o ensino médio, refinando o design ao longo de turmas e medindo ganhos de conhecimento em ML — um exemplo de DBR como codesign participativo que integra a voz dos jovens ao ciclo de design.
  • Correfinamento iterativo de rubricas como DBR. Yaşar et al. (2026) exemplificam o caráter de refinamento iterativo da DBR aplicado ao próprio instrumento de avaliação: eles trataram a rubrica como um artefato de design revisável e ciclaram por correfinamento com um LLM — esclarecendo descritores de desempenho e aceitando explicitamente indicadores implícitos de aprendizagem — o que elevou a concordância LLM–humano em 80 pôsteres de design de estudantes de 54,75% para 81,25% (Alfa de Cronbach 0,393 → 0,798). O estudo posiciona a rubrica como uma interface mediadora entre a intenção pedagógica humana e a inferência da máquina, e seu prompting ciente de papel (instrutor, revisor por pares, revisor de subsídios) mostra como escolhas de design moldam a saída avaliativa — uma demonstração ao estilo DBR de que o instrumento de avaliação, não apenas a intervenção, é um objeto de design.
  • Codesignando letramento em IA na primeira infância. Lee (2026) usa DBR para codesenhar, pilotar e refinar o currículo Play With AI (PL-AI) ao longo de ciclos iterativos com duas professoras de pré-escola e duas de jardim de infância, recorrendo a surveys com professores, 32 horas de vídeo em sala de aula, notas de campo e transcrições de reuniões de design. O estudo documenta como a DBR apoia o refinamento iterativo de atividades de letramento em IA adequadas ao desenvolvimento e produz princípios de design transferíveis (brincadeira incorporada, programação tangível, diálogo guiado, codesign com professores).
  • A revisão por especialistas como evidência de refinamento — e uma declaração honesta de escopo. Dong et al. (2026) submetem seu currículo inicial de robótica em quatro trilhas a cinco especialistas que o avaliam em oito dimensões, e então revisam em resposta: a implementação independente de PPO passa a uma extensão e um pré-requisito de Python é adicionado depois que quatro de cinco especialistas apontam carga cognitiva. A dispersão motiva as revisões tanto quanto as médias — o contexto motivacional teve média 4,00 com DP = 1,73 e uma avaliação isolada de 1/5 —, e os autores declaram abertamente que o framework revisado permanece não avaliado, pendente de dados de estudantes.
  • Triangulação, e o limite que ela não pode cruzar. Kenzhebayeva et al. (2026) rodam um modelo de rotação de papéis por cinco fases de DBR — análise do problema, design pedagógico, implementação, avaliação, refinamento — ao longo de oito semanas com 62 participantes, triangulando diários reflexivos, entrevistas, notas observacionais e produtos gerados por estudantes com verificação pelos participantes. A lição de design está no que os autores reivindicam para ele: sem medida de competência pré-pós e sem grupo de comparação, eles apresentam a evidência como engajamento durante a intervenção, e não como ganhos de competência demonstrados, que é exatamente a fronteira que um design de DBR multifonte pode e não pode cruzar.

Forças e limitações

  • Forças: alta validade ecológica e relevância prática; produz tanto artefatos utilizáveis quanto teoria; responsivo à complexidade das salas de aula reais e das ferramentas de IA em evolução; bem adequado a desenvolver um modelo e refiná-lo com base em evidência autêntica de implementação; captura como uma intervenção realmente funciona (ou falha) na prática.
  • Limitações: validade interna fraca (poucos ou nenhum grupo de controle); achados ligados ao contexto e difíceis de generalizar; cronogramas longos; difícil isolar qual elemento de design causou um resultado — a DBR demonstra viabilidade e melhora, mas não pode atribuir ganhos de aprendizagem a um mecanismo específico.

A DBR troca o controle causal dos experimentos por autenticidade ecológica e refinamento iterativo: sua evidência é mais forte como prova de conceito e orientação de design do que como eficácia causal. Ler ganhos de aprendizagem de DBR exige as mesmas precauções de outros designs — sem uma medida de resultado controlada e sem assistência, os ganhos podem refletir o mesmo confundidor de desempenho inflado pela IA documentado em ganhos de aprendizagem.

Relação com outros métodos

A DBR é o método característico das ciências da aprendizagem — o campo interdisciplinar que estuda a aprendizagem e o design de ambientes de aprendizagem, e que trata a construção de uma intervenção e seu estudo como uma atividade única em vez de duas. Ela é complementar, e não rival, a outros métodos de pesquisa (veja Métodos de pesquisa em AIED para o panorama completo). Onde os experimentos estabelecem causalidade e as pesquisas quantitativas estabelecem amplitude, a DBR estabelece viabilidade e conhecimento de design — se uma intervenção pode ser construída para funcionar na prática autêntica e quais princípios de design a sustentam. Ela frequentemente se emparelha com a avaliação de usabilidade (para refinar a interface) e com métodos qualitativos (para entender como os aprendizes vivenciam a intervenção). Um programa maduro de DBR tipicamente culmina em um ensaio de eficácia ou estudo de medição que testa os efeitos causais da intervenção desenvolvida em escala.

Conceitos conectados

Artigos conectados

Metadados

Desenho do estudoLiterature Review
Métodos de pesquisa e avaliaçãoPesquisa Baseada em Design, Métodos de pesquisa em AIED
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.