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

Educação infantil e anos iniciais

Criado 2026-08-25 · Atualizado 2026-10-07

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

Educação infantil e anos iniciais — o uso da inteligência artificial na educação de crianças pequenas, abrangendo a educação infantil e os anos iniciais do ensino fundamental. Isso cobre currículos de letramento em IA e de pensamento computacional para quem aprende cedo, brinquedos e brincadeiras potencializados por IA, aprendizagem personalizada nas disciplinas dos anos iniciais, e as considerações de desenvolvimento, segurança e equidade próprias de crianças, e não de adolescentes ou adultos.

Perguntas para considerar

  • Crianças pequenas agora encontram IA por meio de brinquedos, chatbots e robôs de sala de aula. O que torna a relação de uma criança de 5 anos com a IA fundamentalmente diferente da de um adulto — e o que deveria mudar na forma como pensamos os riscos?
  • Parte do letramento em IA na primeira infância é ensinada por brincadeiras "desplugadas" — sem computador nenhum. Como conceitos abstratos de IA podem ser aprendidos por meio de atividades corporificadas e tangíveis em vez de telas?
  • Uma preocupação chamada "isomorfismo tecnológico" descreve estudantes pequenos imitando a saída da IA sem entender. Como você distinguiria uma criança que genuinamente aprendeu de uma que simplesmente repete de volta uma resposta polida?
  • Como quem aprende cedo é mais vulnerável e menos capaz de se autorregular, o andaime de adultos passa a ser central. O que isso significa para um pai, mãe ou professor que decide quando e como uma criança deve usar IA?
  • Se o acesso à aprendizagem precoce rica em IA — ou à orientação protetiva de adultos — é desigual, como a equidade se manifesta de forma diferente na primeira infância do que para estudantes mais velhos?
  • A base de evidências aqui é em grande parte exploratória e orientada ao design, em vez de causal. O que você gostaria de saber antes de confiar em uma afirmação de que um brinquedo ou aplicativo de IA melhora a aprendizagem das crianças?

Introdução

Crianças pequenas interagem com IA cada vez mais cedo — por meio de brinquedos potencializados por IA, chatbots, plataformas de aprendizagem adaptativa e robôs de sala de aula —, mas elas diferem em desenvolvimento dos estudantes da educação básica e do ensino superior que dominam a maior parte da pesquisa sobre IA na educação. Este conceito reúne a cobertura da base de conhecimento sobre essa faixa mais jovem. Ele está dentro do guarda-chuva mais amplo de K-12, mas é distinto porque as preocupações são especificamente desenvolvimentais: a brincadeira como modo primário de aprendizagem, o andaime de adultos (pais/professores), o letramento em IA adequado à idade e atenção redobrada ao bem-estar e à segurança.

Como a pesquisa se agrupa

  • Letramento em IA por brincadeiras desplugadas. O framework AI-Play ensina conceitos de IA para a primeira infância por meio de atividades desplugadas (sem computador), mostrando que ideias abstratas de IA podem ser apresentadas a crianças pequenas por atividades corporificadas, lúdicas e tangíveis (veja aprendizagem baseada em jogos) — uma rota adequada ao desenvolvimento rumo ao letramento em IA e ao pensamento computacional.

  • Brinquedos potencializados por IA e desenvolvimento infantil. A pesquisa sobre IA em brinquedos examina como brinquedos comerciais potencializados por IA moldam o desenvolvimento e a brincadeira das crianças. Isso levanta questões abertas sobre agentes na brincadeira, calibração de confiança, agência e bem-estar para quem aprende mais cedo — uma área em que a orientação de design é mais escassa do que para currículos de idade escolar, e em que pais e responsáveis se tornam partes interessadas centrais.

  • Atitudes das crianças em relação a chatbots ajustados à idade. Vahedian Movahed e Martin (2025) implantaram o "Ask Me Anything" (AMA), um chatbot limitado a temas (astronomia, tênis e sapatos, dinossauros) ajustado por idade via engenharia de prompts, com 63 crianças (idades de 6 a 14), revelando três padrões na interação criança–IA — encantamento e curiosidade, testar a confiança e construir segurança, e construir relações por antropomorfização — junto com uma ampla abertura e alta confiança na IA como fonte de informação. Seu apelo por design sensível à idade e pelo ensino explícito de conceitos de segurança digital e uso de dados reforça as preocupações de desenvolvimento e segurança centrais a este conceito.

  • Aprendizagem de disciplinas nos anos iniciais. A aprendizagem personalizada potencializada por IA em frações dos anos iniciais e a IA na matemática dos anos iniciais (inclusive preocupações com o "isomorfismo tecnológico" — estudantes imitando a saída da IA sem entender) mostram tanto a promessa quanto as armadilhas da IA na instrução precoce de disciplinas. A revisão sistemática sobre escrita nos anos iniciais e IA generativa mapeia como a IA generativa está remodelando o ensino de escrita nas séries iniciais.

  • Robôs e crianças pequenas. A robótica na educação infantil apoia o pensamento computacional por meio de robôs educacionais, e a narrativa humanoides potencializada por LLM explora se os pais aceitarão robôs como parceiros de brincadeira narrativa para seus filhos — colocando em primeiro plano a confiança e as atitudes dos adultos.

  • Um framework de "Abordagem de Projeto Criativo" para agentes de IA e robótica. Yang, Li e Lee (2025) propõem um framework pedagógico de cinco etapas que integra agentes de IA generativa e robôs à Abordagem de Projeto para fomentar a aprendizagem criativa das crianças pequenas. Eles argumentam que agentes físicos são mais adequados que telas para crianças pequenas, e associam dois paradigmas complementares às suas teorias da aprendizagem — robôs de programação (construcionismo de Papert; pensamento computacional por programação tangível com ferramentas como Matatalab e KIBO) e robôs sociais generativos (andaime vygotskiano dentro da Zona de Desenvolvimento Proximal da criança, atuando como pares ou tutores conversacionais). As cinco etapas — identificar necessidades de aprendizagem, facilitar a interação criança–robô guiada pelo professor, situar a IA em contextos, calibrar o equilíbrio automação/criatividade e avaliar resultados — oferecem a designers e profissionais da EI uma rota concreta para incorporar agentes de IA e robôs em salas baseadas na brincadeira e em projetos, preservando a facilitação pelo professor e a agência da criança.

  • Currículos de letramento em IA centrados na brincadeira. Lee (2026) relata a pesquisa baseada em design do Play With AI (PL-AI), um currículo adequado ao desenvolvimento em que dois professores de pré-escola e dois de educação infantil codesenharam sete atividades sequenciadas que misturavam brincadeira desplugada (compor e testar algoritmos de "como fazer"), programação tangível (Bee-Bot, Ozobot) e diálogo guiado com um robô social de IA. A evidência formativa mostrou crescimento substancial na confiança dos professores e na agência pedagógica, com quatro princípios de design emergindo — brincadeira corporificada, programação tangível, diálogo guiado e codesign com professores — alinhados à Iniciativa AI4K12 e aos frameworks da NAEYC. Esse é um modelo de como robôs e ferramentas tangíveis podem ser incorporados ao letramento em IA baseado na brincadeira e conduzido pelo professor para quem aprende mais cedo.

  • Planejamento de aulas assistido por IA para professores de arte STEAM de crianças. Um estudo experimental com professores de arte de crianças (Luo e Tahir 2025) concluiu que planos de aula assistidos por ChatGPT foram avaliados com qualidade significativamente maior que os gerados por professores por seis professores especialistas (mediana 20,5 contra 17,6, p = 0,002, efeito grande), ao mesmo tempo que mapeou como os professores delegavam — mais frequentemente (60%) para preencher lacunas de conteúdo em uma aula por eles esboçada do que para gerar planos inteiros. Os professores valorizaram a IA principalmente como ferramenta de inspiração e de identificação de lacunas para a integração STEAM interdisciplinar e para a seleção mais rápida de temas, mas apontaram saídas impraticáveis para salas de aula reais, que ignoravam restrições de segurança infantil (por exemplo, facas de entalhar para crianças pequenas), e que carregavam viés cultural ocidental — uma cautela concreta e fundamentada no desenvolvimento para o uso de IA generativa com quem aprende cedo, contra a qual um framework de prompt Papel–Instruções–Objetivo Final foi construído para temperar.

  • Letramento midiático crítico apoiado por IA nos anos iniciais. Demir e Akar (2026) avaliam um programa de letramento midiático crítico de 18 horas com o modelo 5E para estudantes do 4º ano em uma escola primária pública turca, incorporando IA generativa (ChatGPT, Grammarly, Canva AI, Padlet) fase por fase como agente pedagógico em vez de um adicional isolado, com atividades alinhadas aos currículos de Língua Turca e Estudos Sociais. O grupo com apoio de IA mostrou ganhos grandes em leitura midiática (+3,50), escrita (+1,67) e letramento midiático total (+5,17, todos com p < 0,01), com tamanhos de efeito entre grupos de d de Cohen = 1,12–1,31, enquanto o grupo de controle avançou apenas modestamente. A análise qualitativa de entrevistas, artefatos dos estudantes (cartazes, desenhos, slogans) e 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 on-line, e ética midiática/cidadania digital —, oferecendo um raro modelo quase experimental e alinhado ao currículo de como a IA pode apoiar o letramento em IA crítico e o pensamento crítico nos anos iniciais.

  • Observação de sala de aula avaliada por IA sobre a qualidade da interação professor–criança. Fong et al. (2026) colocam um LLM como referência contra avaliadores humanos treinados sobre todo o framework CLASS Pre-K em jardins de infância de Hong Kong — 87 observações gravadas em vídeo de 38 salas em 30 jardins de infância, avaliadas a partir de transcrições pelo GPT-5.0 e comparadas com oito avaliadores treinados. A concordância foi moderada em geral (κ ponderado = 0,681), mas condicionada ao construto: a convergência se manteve para o domínio de Apoio Emocional e para Qualidade do Feedback — a dimensão sustentada pelo apoio verbal explícito e baseado em trocas —, enquanto Organização de Sala divergiu inteiramente, e os avaliadores pontuaram as dimensões emocionais mais alto que o modelo, com uma lacuna muito grande na dimensão de Clima Negativo (pontuada ao inverso) (d = 2,732; os avaliadores deram a nota máxima de 7 em 63 de 71 observações, enquanto a IA se agrupou em 6). A lição para a primeira infância é especificamente desenvolvimentista: a qualidade que vive no comportamento não verbal, espacial e de rotina — gestão, movimento, calor, tom — é invisível a um pipeline que só vê transcrições, a direção do erro do modelo depende do construto em vez de ser uniformemente conservadora, e os autores por isso posicionam a pontuação por IA como ferramenta de triagem e reflexão para professores, não como substituta de observadores treinados.

  • Educadores em formação projetando atividades de ciências. Efthimiou e Plakitsi (2026) pediram a 131 educadores de primeira infância em formação que projetassem atividades de magnetismo com LLMs: eles classificaram a estrutura e a eficiência dos modelos como as mais altas (M = 3,95), mas a confiabilidade epistêmica de seu conteúdo como a mais baixa (M = 3,08), tratando-os como artefatos de brainstorming e mantendo a transformação didática como responsabilidade humana.

  • IA aproximando julgamentos desenvolvimentais de histórias infantis. O CLARA de Yin et al. (2026) anota as demandas cognitivas, linguísticas e socioemocionais de uma história e corresponde às referências de idade das editoras em 0,904 das vezes, à frente das fórmulas de legibilidade (0,603) e do prompting direto (0,730) — oferecido como sinal de apoio, não como substituto de um julgador humano.

Considerações de desenvolvimento e equidade

Como quem aprende cedo é mais vulnerável e menos capaz de autorregular seu uso de IA, este grupo enfatiza o andaime por adultos (pais, responsáveis e professores), o design adequado à idade e o risco de dependência excessiva e dano se a IA substituir, em vez de apoiar, o trabalho desenvolvimental da brincadeira, da descoberta e da aprendizagem com esforço. A equidade é uma preocupação viva: o acesso à aprendizagem precoce rica em IA (ou à orientação protetiva de adultos) é desigual, conectando-se à divisão digital e à equidade na educação com IA. Boa parte da base de evidências permanece exploratória ou orientada ao design, em vez de causal. Uma comparação entre quatro países aguça a lacuna curricular: as diretrizes nacionais de educação infantil do Japão, da Coreia do Sul e da China não contêm nenhuma referência explícita ao letramento em IA (o plano de ação em nível de cidade de Xangai é a única exceção, e não especifica progressões de aprendizagem), enquanto a Austrália mostra apenas um alinhamento limitado e desigual — mais forte na interação com agentes de IA, ausente na compreensão das relações entre humanos e IA —, deixando o letramento em IA a cargo da família (Cohrssen et al. (2026)).

Uma primeira janela de neuroimagem sobre essa questão chega com uma ressalva: crianças de 6–7 anos que mantiveram uma conversa falada de cinco minutos com o ChatGPT dentro de um aparelho de ressonância magnética mostraram conectividade dentro da rede mais fraca que a de adultos nas redes de controle frontoparietal, de saliência e de atenção dorsal, com escores de criatividade equivalentes, e não apresentaram o acoplamento criatividade–conectividade que os adultos mostraram. Como essas funções executivas ainda são imaturas na primeira série, os autores leem o resultado como relevante para o debate sobre a idade mínima — ao mesmo tempo que apontam um confundimento de enquadramento e a ausência de um controle sem ChatGPT como limites sobre o que o resultado estabelece (Horowitz-Kraus et al. (2026)).

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

NívelK 12, Preschool
Aprendizagem e ensinoBem-Estar
Fundamentos da IA na educaçãoIA na educação, Letramento em IA, Pensamento computacional
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.