A IAed nas disciplinas

Esta página foi traduzida para o português. As páginas de artigo continuam escritas em inglês. Ler esta página em inglês

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

A IAed nas disciplinas — a aplicação da inteligência artificial ao ensino e à aprendizagem dentro de matérias acadêmicas específicas, onde as pedagogias, os métodos, as teorias e as preocupações distintivas de cada disciplina moldam como a IA é desenhada, usada e avaliada. Em vez de tratar a IA na educação como um fenômeno genérico único, esta visão geral organiza a cobertura específica por disciplina da base de conhecimento e revela os temas transversais que percorrem a pesquisa em IAed por área de conhecimento.

Perguntas para refletir

Um tutor de matemática que se destaca em feedback de certo/errado pode falhar nas humanidades, onde interpretação e autoria importam mais do que correção. Como a sua própria disciplina define o que conta como "bom feedback"?
Uma pesquisa com 560 estudantes concluiu que a filiação disciplinar prediz com que frequência e abertamente os estudantes usam a IA generativa. Por que uma disciplina poderia agir como um "sistema de atividade" inteiro que molda o uso da IA — em vez de a IA ser uma ferramenta neutra em todos os lugares?
O "ato cognitivo" descarregado na IA é específico da disciplina: computação em matemática, código em computação, composição em escrita. Se a dependência excessiva parece diferente em cada campo, como você a detectaria no seu?
O que a IA significa para uma disciplina cuja pedagogia distintiva é o trabalho de laboratório prático, ou a construção interpretativa de sentido, em vez da resolução de problemas? Existe alguma matéria em que a IA deveria desempenhar pouco papel?
Várias disciplinas — direito, história, artes — permanecem finas na pesquisa em IA na educação. O uso da IA em qual disciplina mais merece atenção, e o que uma boa IA nesse campo teria que honrar que as ferramentas genéricas não honram?

Introdução

A IA na educação se manifesta de formas diferentes entre as disciplinas porque cada campo tem sua pedagogia distintiva — as maneiras particulares pelas quais o conhecimento é construído, praticado e ensinado. Tutores de IA que brilham na matemática podem falhar nas humanidades, onde interpretação e autoria importam mais do que respostas certas. Esta página é o mapa guarda-chuva dessas vertentes específicas por disciplina, que agora vão de matérias escolares até a formação profissional e aplicada e a prática de estúdio. Um membro da vertente não é uma matéria ensinada de forma alguma: as ciências da aprendizagem são o campo de pesquisa em torno da IA na educação, fornecendo os mecanismos que os sistemas de IA operacionalizam e os padrões pelos quais são julgados — ela toma a visão transversal, contra a premissa desta página de que o conteúdo da matéria é o que muda o que o apoio deve fazer.

Conceitos específicos por disciplina

A base de conhecimento tem páginas de conceito dedicadas a várias áreas de matérias:

Educação matemática — tutoria por IA, resolução de problemas adaptativa e diagnóstico conceitual em matemática.
Educação em física — simulação por IA, chatbots e formulação de problemas na aprendizagem de física.
Educação em química — IA no desenho laboratorial e experimental, avaliação formativa mediada por IA, instrução contextualizada e baseada em investigação, limites técnicos das LLMs em tarefas de química, e a filosofia da experimentação.
Educação em biologia — IA na instrução em laboratório, letramento em IA embutido nos currículos de biologia, pensamento crítico na era da IA, e ferramentas especializadas (identificação de espécies, bioimagem, modelagem preditiva).
Ensino de ciência da computação — IA para geração de código, depuração e apoio à programação de novatos.
Educação em Tecnologia da Informação — a asa aplicada da computação, que prepara praticantes para selecionar, proteger, administrar e governar os sistemas implantados que as organizações operam: sua unidade de análise é o sistema implantado e o julgamento do praticante sobre ele, onde a educação em ciência da computação toma o programa e o algoritmo como seus objetos.
Escrita — composição assistida por IA, correção automática de redações e feedback de escrita.
Aprendizagem de línguas — interlocutores de IA, feedback de pronúncia e prática conversacional em segunda/terceira línguas.
Ensino de inglês (EAP / EFL / ESL) — Inglês para Fins Acadêmicos (EAP) e ensino de língua inglesa (EFL/ESL/L2): registro do inglês acadêmico, escrita baseada em gênero, e feedback e avaliação específicos do inglês — distintos da aprendizagem geral de línguas e da escrita geral.
Educação em STEM — o guarda-chuva transdisciplinar para ciência, tecnologia, engenharia e matemática.
Desenvolvimento profissional — a preparação e o desenvolvimento profissional de professores (pré-serviço e em serviço), uma disciplina por direito próprio cuja pesquisa em IA se centra no letramento em IA do professor, no TPACK inteligente e na prontidão para integrar a IA.
Educação médica e em profissões de saúde — simulação clínica, treinamento por aprendizagem por reforço e princípios de aprendizagem fundacionais na educação das profissões de saúde.
Educação em enfermagem — o registro empírico mais denso na vertente clínica: simulação com pacientes virtuais, apoio de raciocínio por LLM e plataformas adaptativas, enquadrado em torno da formação da identidade profissional tanto quanto da competência, e estreito o bastante para nomear a fronteira onde os benefícios documentados da IA param (habilidade psicomotora complexa e interação carregada de emoção) em vez de tratar as profissões de saúde como um caso único.
Educação e formação profissional — preparação inicial para ofícios nomeados e ocupações técnicas, organizada por frameworks de qualificação e avaliada no que quem aprende consegue fazer com o equipamento: ela se estende além da formação profissional e do aprimoramento no local de trabalho que a Aprendizagem no trabalho cobre, alcançando aqueles ainda não empregados, e sua questão recorrente de desenho é quais partes caras de pessoal da prática a IA consegue absorver sem deslocar a repetição que produz competência.
Educação em design — formação profissional baseada em estúdio em desenho de produto, serviço, interação, interiores e arquitetura, onde o processo visível é o objeto avaliado e onde as ferramentas generativas tornam barato o artefato polido: ela estreita as disciplinas de estúdio que a Ensino de artes, design e mídia cobre ao pipeline de desenho profissional, de modo que a crítica, o portfólio e a regulamentação — e não a prática material e performativa — carreguem o argumento.
Educação em engenharia — formação profissional, desenho e aprendizagem prática, uso ético da IA, avaliação corporificada e preparação para o mundo do trabalho em engenharia.
Educação em negócios — IA nos negócios, na economia e na educação em gestão: frameworks de GenAI informados pelos estudantes, integração curricular por meio de alinhamento construtivo e preparação para a prática profissional integrada à IA.
Educação em humanidades e ciências sociais — cognição interpretativa, autoria e construção de sentido nas humanidades e ciências sociais.
K-12 (educação básica e média) e Ensino superior — educação sobre e com IA em cada nível.

Temas transdisciplinares

Vários fios cortam todas as disciplinas, embora se desenrolem de forma diferente em cada uma:

A disciplina como sistema de atividade. Jiang et al. (2026) mostram, ao longo de 560 estudantes de graduação em cinco domínios acadêmicos, que a filiação disciplinar está significativamente associada à frequência de uso e às práticas de divulgação de GenAI dos estudantes — as disciplinas funcionam como sistemas de atividade cujas normas, políticas e expectativas de papel moldam como os estudantes engajam e divulgam a GenAI. Essa é evidência direta da premissa da base de conhecimento de que a IA na educação não é neutra em relação à disciplina.
A própria forma do "interdisciplinar" é determinada pela disciplina. A revisão PRISMA de Xia et al. (2026) de 59 estudos cataloga seis formas de educação interdisciplinar em que a IA aparece: integração STEM (n = 26), turmas com backgrounds estudantis transdisciplinares (n = 14), campos não-STEM (n = 10), conteúdo de aprendizagem transdisciplinar (n = 10), integração inter-STEM (n = 8) e STEAM (n = 2). A distribuição é um achado no nível da disciplina, e não no nível da ferramenta: a interdisciplinaridade apoiada por IA é esmagadoramente hospedada em STEM, e turmas com backgrounds transdisciplinares são estudadas mais frequentemente do que os campos não-STEM que essas turmas visam conectar. A revisão mostra ainda que as mesmas funções de IA recorrem nesses contextos — assistente (n = 43), avaliador (n = 22), agente (n = 14), monitor (n = 9) — enquanto seus efeitos cognitivos, comportamentais e afetivos diferem por disciplina e parte interessada, com estudantes de longe os mais estudados (n = 57), professores em seguida (n = 26) e a equipe administrativa quase não examinada (n = 4).
Tutoria e feedback. Sistemas de tutoria por IA (Tutoria por IA, Tutoria inteligente, Retroalimentação (Feedback), Qualidade do feedback de IA) aparecem em quase toda disciplina, de tutores de matemática e física a feedback de escrita e de línguas. A disciplina molda o que conta como bom feedback — certo/errado em matemática, qualidade do argumento na escrita, fluência na língua.
Avaliação. Avaliação automatizada, Correção Automatizada, Correção automatizada de redações e Avaliação Formativa são reimaginados pela IA em todas as disciplinas, mas os construtos de correção diferem (precisão procedimental versus profundidade interpretativa versus competência comunicativa).
Deslocamento cognitivo e dependência excessiva. O deslocamento cognitivo e o risco de dependência excessiva aparecem na matemática, na computação e na escrita, embora o "ato cognitivo" descarregado seja específico da disciplina — computação versus código versus composição.
Letramento em IA e uso crítico. Letramento em IA, pensamento crítico e pedagogia crítica sustentam o uso responsável em toda matéria.
A fundamentação disciplinar condiciona a metacognição apoiada por IA. Em um seminário de linguística textual, novatos refletiam metacognitivamente com LLMs sobretudo onde o conhecimento da matéria já estava consolidado, e a maioria atribuía as saídas ruins ao modelo, e não ao próprio prompt — evidência de que o desenho de prompt precisa ser ensinado explicitamente dentro de uma disciplina (Brocca & Garassino (2026)).
Equidade e acesso. Equidade na educação com IA, divisão digital e pedagogia culturalmente relevante preocupam todas as disciplinas.

Pedagogias, métodos e teorias distintivos por disciplina

Cada disciplina traz tradições pedagógicas distintivas com as quais a pesquisa em IA se engaja:

Física — raciocínio baseado em modelos, experimentação e simulação. A pesquisa em IA usa laboratórios virtuais (Ben-Zion), chatbots (tipologia do ChatGPT) e formulação de problemas (formulação de problemas com GenAI).
Química — conceitos abstratos submicroscópicos, notação especializada e prática de laboratório. A pesquisa em IA abrange desenho experimental apoiado por IA (manuais de laboratório desenhados por IA), instrução 7E contextualizada com tutoria por IA (contextualizada + IA), avaliação formativa mediada por IA (papéis de instrutor–IA) e a filosofia da experimentação (filosofia da experimentação).
Biologia — terminologia especializada, pensamento sistêmico e visuoespacial, e laboratório e trabalho de campo práticos. A pesquisa em IA abrange assistentes de ensino de laboratório virtual (o ChatGPT como VTA), letramento em IA embutido em currículos de biologia (letramento em IA em uma aula de biologia), o ChatGPT na aprendizagem baseada em desafios (o ChatGPT na CBL), pensamento crítico na era da IA (pensamento crítico nas ciências biológicas) e o cenário de ferramentas de IA (revisão de ferramentas de IA).
Escrita — redação e revisão recursivas orientadas ao processo. A pesquisa em IA abrange a IA como coach de escrita, correção automatizada e titularidade por etapa (etapas de titularidade).
Educação em inglês (EAP/EFL/ESL) — o inglês como língua-alvo e registro acadêmico. A pesquisa em IA abrange integração ética de EAP (Alharbi et al.), revisão de escrita EAP com GenAI (scripts de letramento em feedback), adaptação de material de leitura de EAP (materiais de EAP diferenciados), tutoria de ESL (TACT) e avaliação específica do inglês (avaliação de escrita L2 autorreferencial, avaliação de EFL).
Formação de professores — uma disciplina cuja pesquisa em IA se centra em preparar professores para integrar a IA: frameworks de TPACK inteligente (DP de i-TPACK), letramento em IA do professor (educadores de ciências), prontidão de pré-serviço (prontidão de TPACK inteligente) e confiança e ética em serviço (confiança e ética).
Humanidades e ciências sociais — interpretação, autoria e construção crítica de sentido. A pesquisa em IA coloca em primeiro plano a cognição interpretativa (Voicu) e a filosofia da IA em vez da tutoria para correção.

Disciplinas representadas na base de conhecimento

A cobertura específica por disciplina mais forte da base de conhecimento está na STEM em sentido amplo — particularmente na matemática, na física, na química, na biologia e na computação — seguida da escrita, da aprendizagem de línguas (com uma vertente distinta de educação em inglês para EAP/EFL/ESL) e, mais recentemente, da engenharia, da formação de professores (com um corpo substancial de pesquisa em treinamento em IA de pré-serviço e em serviço), da educação médica e das humanidades. Engenharia e desenho também têm um corpo crescente de artigos. Essa concentração acompanha a literatura mais ampla: a revisão de Xia et al. (2026) concluiu que STEM era a forma interdisciplinar mais comum no ensino superior apoiado por IA (n = 26), bem à frente dos campos não-STEM (n = 10) e do STEAM (n = 2) — uma cautela no nível da disciplina de que a evidência em IA na educação se acumula mais rápido onde a instrumentação computacional é mais fácil de embutir, e não necessariamente onde o valor pedagógico da IA é maior. As adições mais recentes ampliam a vertente para além das matérias acadêmicas, rumo à educação profissional e aplicada — enfermagem, tecnologia da informação e educação e formação vocacional — onde quem aprende é avaliado na prática demonstrada, e não na correção, e onde o empregador e o órgão de licenciamento, e não apenas a academia, definem o que conta como competência.

A vertente vocacional é a mais fina dessa evidência: uma revisão sistemática de 26 estudos em educação e formação vocacional não encontrou nenhum conduzido em contextos de local de trabalho, apesar do caráter baseado no trabalho da EFV, apenas cinco experimentos randomizados e apenas três desenhos concedendo a quem aprende um papel ativo (Deutscher et al. (2026)).

Disciplinas sub-representadas

Várias disciplinas permanecem finas na base de conhecimento e são boas candidatas a ingestão futura:

Direito e educação jurídica — cobertura mínima: LLMs e exames jurídicos italianos.
Psicologia e aconselhamento — poucos artigos de IA na educação: letramento em feedback com IA, uso crítico de GenAI, treinamento em psicoterapia com paciente virtual.
História — apenas artigos isolados: LLMs e raciocínio histórico.
As artes (arte visual, desenho, música) — cobertura emergente: IA na educação em desenho de interiores, GenAI em estúdios de desenho arquitetônico, pedagogia vocal com IA, IA na educação musical, paradoxo de competência texto-para-imagem. Os estudos do lado do desenho nesta lista agora têm seu próprio lar: a Educação em design reúne o trabalho de estúdio arquitetônico, de desenho de interiores e texto-para-imagem em uma página sobre a formação profissional em desenho, deixando arte visual, música e performance como o resto fino.

Essas disciplinas sub-representadas se beneficiariam de páginas de conceito dedicadas e de ingestão adicional de artigos à medida que a base de conhecimento cresce.

Conceitos conectados

Artigos conectados

Artificial intelligence in interdisciplinary higher education: A systematic review on opportunities, challenges and future directions — Revisão sistemática da IA no ensino superior interdisciplinar (59 estudos)
LLMs in text linguistics teaching: An exploratory study with genAI novices in higher education — LLMs no ensino de linguística textual
Empowering Educators: Operationalizing Age-Old Learning Principles Using AI — Operacionalizando princípios de aprendizagem com IA na educação das profissões de saúde
Designing effective AI professional development: A framework grounded in intelligent-TPACK — Desenvolvimento profissional em IA baseado em TPACK inteligente
Teaching the teachers: A systematic review of genAI-specific technological pedagogical knowledge (TPK) in teacher education — TPK específico de GenAI na formação de professores
Human-centered AI for teacher educators: Designing professional learning for critical AI literacy — Aprendizagem profissional de letramento crítico em IA para formadores de professores
AI-Mediated Learning and the Restructuring of Interpretive Cognition: A Developmental-Critical Model for Social Sciences and Humanities Education — Cognição interpretativa na educação em humanidades e ciências sociais
Pragmatic users and skeptical nonusers: A qualitative typology of ChatGPT adoption in physics education — Tipologia de uso do ChatGPT na educação em física
Combating Harms of Generative AI in CS1 with Code Review Interviews and a Flipped Classroom — Revisão de código com GenAI em CS1
From Planning to Revision: How AI Writing Support at Different Stages Alters Ownership — Apoio de escrita com IA e titularidade por etapa
Using AI in engineering education: a balancing act, driven by clear purpose — O ato de equilibrar a IA na educação em engenharia
AI literacy alone is not enough: Student AI readiness and career adaptability in business and management education — Letramento em IA e adaptabilidade profissional na educação em negócios
Generative AI across the disciplines: an activity theory perspective on undergraduate students' AI use and disclosure practices — Teoria da atividade: diferenças disciplinares no uso e na divulgação de GenAI (560 estudantes)
AI-Powered Simulation for Nursing Education: Mixed Methods Systematic Review — Simulação com IA na educação em enfermagem: ganhos de conhecimento e confiança, efeitos inconsistentes sobre habilidade psicomotora
Scaffold or Shortcut? Postgraduate IT Students' Use of Generative AI and Self-Regulated Learning — A GenAI como andaimento ou atalho na aprendizagem de TI de pós-graduação
Artificial intelligence in vocational education and training: A systematic review of educational purposes, theoretical conceptualizations, and empirical effectiveness — Primeira revisão sistemática da IA na educação e formação vocacional
Development and applications of Generative AI in architectural design studios — Modelos generativos no estúdio de desenho: estímulo, expansão do espaço de soluções e fixação
Deceptive Overgeneralization: When Adaptive Learning Enables Systematic Misapplication — Regras de parada por domínio que certificam uma regra generalizada demais como competência

Metadados

Disciplina	Stem Education, Math Education, Physics Education, Cs Education, Language Learning, Writing Education, Medical Education, Humanities Education, Business Education, Design Education, Information Technology, Vocational Education, Nursing Education, Learning Sciences
Fundamentos da IA na educação	IA na educação

Source History Edit Chat