Desenvolvimento educacional

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

Desenvolvimento educacional (também conhecido como desenvolvimento docente) — os processos, programas e apoios institucionais que ajudam os educadores a desenvolver as habilidades, a confiança e a identidade profissional para ensinar bem com IA. O desenvolvimento educacional abrange a formação individual, o redesenho de currículo, a mudança de política institucional e o trabalho cultural de dar sentido ao que a GenAI significa para a profissão acadêmica.

Perguntas para refletir

• Se docentes de um mesmo departamento descrevem a IA como um "assistente" humanizado, por um lado, e como uma mera "ferramenta" ou "mecanismo de busca", por outro, um programa de formação pode realmente ter sucesso antes que esses modelos mentais subjacentes sejam trazidos à tona? O que poderia acontecer se o desenvolvimento ignorasse esse passo?
• O desenvolvimento educacional é frequentemente tratado como o fechamento de uma lacuna de habilidades — ensine as ferramentas aos docentes e eles as adotarão. Mas alguma pesquisa enquadra a integração da GenAI como uma mudança no nível da identidade ("qual é o sentido de ensinar em um mundo com GenAI?"). Qual enquadramento você acha mais preciso, e que ações diferentes cada um implica?
• Frameworks de prontidão como o EPIQ-AI dividem a prontidão dos docentes em domínios epistêmico, pedagógico, institucional e de qualidade-e-conformidade. Se a prontidão é um problema de alinhamento sociotécnico, e não uma lacuna de habilidades individuais, o que isso diz sobre onde uma "oficina de IA" isolada provavelmente ficará aquém?
• Quando você sentiu suas próprias suposições sobre uma nova tecnologia virem à tona e se deslocarem — por meio de discussão, metáfora ou linguagem compartilhada, em vez de instrução? Que papel você acha que a linguagem compartilhada e a análise de metáforas desempenham para ajudar os educadores a dar sentido à IA?
• Considere uma "oficina de metáforas" de baixa tecnologia em que docentes, funcionários e estudantes articulem se a IA parece um canivete suíço, um ajudante, uma caixa preta ou um concorrente. Trazer os medos à tona (inclusive o medo de que a IA substitua os papéis de ensino) poderia fazer mais pela adoção do que mais formação técnica?

Introdução

O desenvolvimento educacional é o trabalho profissional e institucional por meio do qual os docentes constroem a capacidade de desenhar, ensinar e avaliar bem — e, na era da IA, tornou-se uma pré-condição para que qualquer mudança pedagógica entre em vigor. O conceito abrange o indivíduo (letramento em IA, confiança, competência, atitudes) e a instituição (padrões, política, garantia de qualidade e alinhamento entre as expectativas declaradas sobre IA e o desenho real da avaliação). Um achado recorrente nesta base de conhecimento é que a evidência sobre a prática eficaz está substancialmente à frente do que a maioria das instituições implementou, o que torna o trabalho de desenvolvimento — e não mais pesquisa primária — a restrição vinculante. As ciências da aprendizagem produzem os achados que esse trabalho carrega: onde aquele campo estabelece empiricamente como as pessoas aprendem e quais desenhos mudam os resultados, o desenvolvimento educacional é a prática institucional que move essa evidência para como os docentes de fato ensinam e avaliam. Seu trabalho, porém, é limitado por uma fronteira institucional: o desenvolvimento constrói capacidade nas pessoas dentro de uma instituição, enquanto as ferramentas que essas pessoas são então convidadas a adotar costumam ser construídas fora dela por desenvolvedores de tecnologia educacional, cujas decisões de desenho e compra — padrões, configuridade, o que sobrevive ao financiamento — chegam como restrições ao programa, e não como produtos dele.

Desenvolvimento educacional na era da IA

• Frameworks de prontidão: o framework EPIQ-AI identifica quatro domínios de prontidão: epistêmico, pedagógico, institucional e de qualidade-e-conformidade. A prontidão dos docentes é um problema de alinhamento sociotécnico, e não apenas uma lacuna de habilidades individuais.

• Padrões para integração de tecnologia: Crompton et al. usam pesquisa baseada em desenho para desenvolver padrões docentes para integração de tecnologia (inclusive IA) em instituições de ensino superior.

• Adoção e confiança: a pesquisa sobre adoção de IA por professores identifica preocupações, apoio, confiança e atitudes como preditores-chave. Os programas de desenvolvimento docente precisam abordar os quatro.

• Integração curricular: os frameworks de mudança institucional e a reforma da avaliação exigem que os docentes redesenhem cursos, e não apenas acrescentem ferramentas de IA.

• Programas de formação: os frameworks de requalificação em IA e o treinamento pré-serviço baseado em TPACK fornecem modelos de educação em IA estruturada para docentes.

• Reflexão profissional mediada por IA. O Modelo do Triângulo Reflexivo posiciona a IA como mediadora cognitiva ao longo da autorreflexão, da reflexão colaborativa e da reflexão comunitária em uma comunidade profissional de aprendizagem, testado em um caso de viabilidade de quatro semanas com seis professores; a fronteira que ele traça é que o insight individual não se torna automaticamente conhecimento profissional compartilhado (Nguyen (2026)).

• Governança e política: a análise de política institucional de IA documenta a lacuna entre as ambições institucionais e a capacidade de apoio aos docentes.

• O letramento em IA é institucionalmente invisível. Uma revisão sistemática de 32 estudos sobre letramento em IA de professores de línguas o constatou ausente dos modelos de carga de trabalho, das políticas de promoção e da alocação de recursos, com o desenvolvimento fragmentado e a responsabilização deslocada entre instituições e agências — de modo que o desenvolvimento do letramento recai, por padrão, sobre o esforço individual em vez de sobre o apoio estrutural (Deng, Çelik & Duran, 2026).

Metáforas e linguagem compartilhada no desenvolvimento educacional

Os docentes trazem modelos mentais heterogêneos e frequentemente profundamente ambivalentes da IA, e o desenvolvimento eficaz precisa trazê-los à tona e trabalhar com eles. Gerhardt et al. mostram que instrutores de engenharia enquadram a IA por meio de metáforas que tanto constroem quanto limitam o entendimento (a IA como um "assistente" humanizado versus uma "ferramenta" ou "mecanismo de busca"); como instrutores dentro de um mesmo departamento frequentemente têm conceituações fundamentalmente diferentes, uma linguagem compartilhada e precisa sobre GAI é um pré-requisito para o desenvolvimento docente eficaz e para discussões produtivas de adoção departamental.

Um método prático para trazer esses modelos mentais à tona é a oficina de análise de metáforas. Vallis, Wilson & Casey (2025) desenharam e validaram uma oficina colaborativa de baixa tecnologia para docentes, funcionários e estudantes articularem suas metáforas sobre a IA generativa. As metáforas dos participantes se agruparam em quatro categorias — Funções (ferramental: "canivete suíço"), Papéis (humanizada: "ajudante", "frenemy"), Qualidades (incognoscível: "caixa preta", "ladeira escorregadia") e Agência (ameaçadora: "concorrente", "robô sinistro") — trazendo à tona tensões persistentes entre a autonomia humana versus a da máquina e entre o conhecido e o incognoscível. A oficina ajudou os participantes a expor suposições, conectar-se entre papéis, sentir-se "não sozinhos" e pensar sobre a ética da GenAI, sem exigir expertise técnica. Como ferramenta de desenvolvimento, ela dá aos desenhistas de programas uma forma de baixa barreira de expor as suposições de uma equipe antes de redesenhar a avaliação ou de lançar uma política, e de enfrentar os medos de frente — inclusive o medo de que a IA substitua os papéis de ensino. (Fear and Awe: Making Sense of Generative AI Through Metaphor)

GenAI como trabalho de identidade, e não apenas requalificação

Uma visão informada pela teoria dos conceitos limiares reformula a integração da GenAI como uma transformação ontológica para os docentes, e não como uma lacuna de habilidades. Aplicando a teoria dos conceitos limiares (Meyer & Land), Laidlaw argumenta que a GenAI exibe as cinco características limiares — transformadora (reconstrói suposições sobre avaliação, pedagogia e papel profissional), problemática (viola crenças sobre originalidade, agência humana e relação esforço–desempenho), irreversível, integrativa (conecta tecnologia, pedagogia, epistemologia e identidade) e delimitada (a fluência em GenAI se torna um novo marcador de valor profissional). (When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Nessa concepção, os docentes que perguntam "qual é o sentido de ensinar em um mundo com GenAI?" não são deficientes em competência; estão em uma fase liminar de travessia do limiar, em que ansiedade, resistência e confusão são partes necessárias da transformação, e não obstáculos a eliminar. A formação baseada em habilidades que responde a uma pergunta de competência que os docentes não estão fazendo pode tornar-se periférica à transformação real, e a governança bem-intencionada pode resvalar em uma "ilusão de aplicação" — comunicar regras em vez de apoiar a mudança. (When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap)

Implicação de desenho: complemente (não substitua) a construção de habilidades com práticas de apoio à identidade — abrir sessões com perguntas de identidade em vez de demonstrações técnicas, conduzir cohorts contínuos específicos por disciplina em que os docentes explorem o que a GenAI significa para o propósito de seu campo, criar estruturas de mentoria entre pares que honrem diferentes cronogramas de transformação, e distinguir a hesitação baseada no medo (que se beneficia de apoio) da não adoção fundamentada em valores disciplinares legítimos (que merece respeito). (When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap) O modelo da oficina de metáforas acima é uma instanciação concreta disso: em vez de partir da requalificação técnica, ele abre com a questão interpretativa e carregada de identidade sobre o que a GenAI significa para os participantes.

Apoio empírico para o enquadramento do trabalho de identidade. Farazouli et al. (2026) fornecem evidência qualitativa direta para essa concepção: 24 professores universitários suecos descreveram a emergência da GAI como alarmante e avassaladora, relatando um "estado de vulnerabilidade" (baixa confiança, insegurança, medo de "não estar à frente dos estudantes") e sentindo-se "travados" entre discursos utópicos e distópicos. Seu conhecimento e experiência limitados, junto dos sentimentos de vulnerabilidade, evidenciam a falta de prontidão dos professores para navegar, avaliar e adotar a GAI — e os autores argumentam que as instituições precisam fornecer espaços e tempo designados para que os professores experimentem a GAI, troquem ideias e desenvolvam colaborativamente práticas e diretrizes nos níveis institucional, departamental e de curso. Isso fundamenta a abordagem de trabalho de identidade e orientada ao apoio na própria experiência relatada pelos professores, e não apenas na teoria.

Um programa que trabalhou diretamente a questão da identidade. Chick, Morello & Staffey (2026) relatam um instituto de verão de seis semanas que levou dez docentes de Educação, Ciências da Saúde, Negócios e outros programas de uma baixa fluência em IA (autorrelato médio 1,89 em uma escala de seis pontos) a 60% relatando alta confiança em orientar o uso de IA pelos estudantes e 90% de percepções positivas, e atribuem a mudança menos à formação em ferramentas do que à experimentação estruturada e segura que abriu com a questão existencial do valor profissional, em vez de com demonstrações. A mudança de vocabulário é o marcador em que eles se apoiam: os enquadramentos iniciais da IA como uma "máquina de trapaça" ou uma "força desumanizante" deram lugar a "assistente curioso", e seus quatro temas — do medo à curiosidade, um desejo de clareza ética que o vácuo de política não forneceu, o desenho inclusivo como amplificador de equidade, e docentes passando de guardiões a guias — descrevem uma reorientação parcial e deliberada da identidade instrucional. Os dez redesenhos de projeto final são a evidência mais difícil, com oito de dez posicionando a IA como um andaimento que apoia em vez de substituir o pensamento, e a pedagogia simbiótica dos autores formaliza o que os participantes construíram: desenho complementar, processo transparente, integração crítica, raciocínio ético incorporado e refinamento iterativo. A ressalva é estrutural, e não individual: os mesmos participantes apontaram sinais contraditórios de política, assinaturas pessoais de ferramentas e nenhuma liberação de tempo para os redesenhos, de modo que os autores concluem que a resistência nunca foi o problema e que respostas fragmentadas que deixam política e infraestrutura intocadas falharão mesmo com uma coorte entusiasmada.

O desenvolvimento como mediação, e a primeira pergunta que um desenvolvedor faz. Sithole (2026) estuda o desenvolvimento acadêmico — o nome mais antigo do campo, e o termo usado pelo International Journal for Academic Development, que publicou o artigo — em duas Instituições Historicamente Desfavorecidas sul-africanas, e reformula os desenvolvedores não como implementadores técnicos, mas como mediadores digitais que trabalham em três registros: pedagógico (traduzindo o discurso da IA em prática viável de ensino, aprendizagem e avaliação), ético (confrontando a automação com a integridade acadêmica, a inovação com o cuidado) e institucional (trabalhando o espaço liminar entre os imperativos da gestão e as preocupações acadêmicas). Dois achados importam para o desenho de programas. Primeiro, a pergunta que filtra é contextual antes de ser técnica — "o que isso significa para o ensino aqui, para nossos estudantes vindos de escolas pobres?" —, e desacelerar a adoção conta como parte do trabalho, e não como resistência a ele. Segundo, o custo afetivo é estrutural, e não pessoal: esperava-se que os desenvolvedores projetassem expertise em ferramentas cujas implicações eles ainda estavam descobrindo ("Sinto-me como um impostor. Estou aprendendo IA à medida que vou fazendo, mas a instituição espera expertise"), e sua resposta foi a aprendizagem profissional entre pares voltada ao juízo, e não à habilidade, incluindo tentar deliberadamente quebrar as ferramentas. A contribuição analítica do artigo é separar a desigualdade digital, um problema distributivo, da colonialidade algorítmica, um problema epistêmico que sobrevive ao acesso pleno — e situar ambos no Sul Global do ensino superior, onde se espera que o trabalho de desenvolvimento seja transformador, e não um serviço de apoio neutro.

Culpa e desconforto moral como sinal de desenvolvimento. Vassallo (2026) fornece a contrapartida afetiva da concepção de identidade. Em uma pesquisa com pessoal acadêmico de uma universidade maltesa (109 respostas, uma taxa de 3,5% que o artigo lê como ela própria informativa sobre o estado do debate ético), a culpa acompanhou a ocultação em vez da divulgação — limitar o uso de IA por inquietação se correlacionou com o Índice de Culpa com IA em r = 0,62, e evitar a divulgação a colegas em r = 0,50 —, enquanto a divulgação formal em produtos acadêmicos não mostrou relação (r = 0,08). Apenas 31,2% viam diretrizes institucionais claras, e a correlação entre essa clareza e a menor culpa foi fraca (r = −0,25, p = 0,010), o que o artigo lê como evidência de que mandatos de cima para baixo não conseguem resolver um problema em parte emocional e baseado na identidade. Suas recomendações são diretamente desenvolvimentais: tratar a culpa e a preocupação com a identidade como respostas transicionais normais, e não como faltas a corrigir; usar experimentação estruturada de baixo risco para mover o pessoal pela ansiedade antecipatória; e apoiar-se na mentoria por acadêmicos seniores, já que a culpa era maior entre o pessoal em início de carreira (M = 2,71) e menor entre os seniores (M = 2,03).

Orientação prática para desenhistas de programas

Para desenvolvedores docentes, líderes acadêmicos e desenhistas instrucionais que planejam desenvolvimento profissional em IA, a evidência da base de conhecimento sugere:

Aborde os quatro vetores da adoção, e não apenas o conhecimento. Confiança, atitudes, apoio e preocupações predizem se os docentes de fato adotam a IA — uma oficina focada apenas em conhecimento que ignora esses fatores provavelmente não mudará a prática. Desenhe o desenvolvimento para construir confiança por meio do uso prático, forneça apoio contínuo (não formação pontual) e exponha e responda ativamente às preocupações dos docentes. (AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes)

Confiança e letramento não são alvos intercambiáveis: em um MEE de 502 respondentes com pessoal universitário, o letramento em IA foi o preditor dominante do bem-estar com IA (β = 0,713), enquanto a autoeficácia tecnológica contribuiu pouco (β = 0,082), e o apoio alcançou o bem-estar apenas indiretamente (Liu et al. (2026)).

Trate a demanda por diretrizes e a adequação das diretrizes como problemas separados. Docentes de uma universidade apoiaram fortemente as medidas institucionais contra o uso antiético de IA (M = 4,59), ao mesmo tempo que avaliaram as diretrizes existentes como as mais baixas (M = 2,99), e apontaram a privacidade de dados e a inclusividade cultural como seus conhecimentos mais fracos — um alvo concreto para o desenvolvimento profissional (Bilgic & Sever, 2026).

Trate a prontidão como um problema de alinhamento sociotécnico. O framework EPIQ-AI mostra que a prontidão dos docentes abrange os domínios epistêmico, pedagógico, institucional e de qualidade-e-conformidade. Programas que treinam apenas o indivíduo deixam de fora as alavancas institucionais (política, carga de trabalho, incentivos, padrões de qualidade) que habilitam ou bloqueiam a mudança — alinhe-as junto com a formação. (Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity) Não iguale investimento em infraestrutura a transformação. Ao longo de 125 estudos, o investimento institucional em infraestrutura de GenAI e em desenvolvimento educacional se correlacionou apenas fracamente com a mudança pedagógica real (r = 0,12), enquanto 60–70% dos instrutores se sentiram despreparados para integrar a GenAI — tornando o desenvolvimento, e não a compra, a restrição vinculante. (Rathnayake (2026))

Construa rumo ao redesenho curricular, e não à adoção de ferramentas. O objetivo são os docentes redesenhando cursos e avaliação, e não apenas acrescentando ferramentas de IA. Fundamente o desenvolvimento profissional no trabalho de redesenho no nível do curso e na reforma da avaliação, e dê aos docentes frameworks estruturados para fazê-lo (por exemplo, escalas de avaliação, frameworks de mudança institucional). (A Framework for Institutional Change in the Age of AI)(A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform)

Reúna a aldeia, não o indivíduo. Ao longo de 12 acadêmicos e 17 estudantes entrevistados, o redesenho da avaliação na era da GenAI excedeu a capacidade de qualquer acadêmico isolado — processos inflexíveis, longos prazos e sobrecarga de trabalho foram apontados —, de modo que os autores propõem uma equipe de todo o programa combinando expertise em desenho de avaliação, GenAI, conhecimento disciplinar, programa e indústria (Nicola-Richmond et al., 2025).

Conduza a série com os dados da própria sala, em vez de melhores práticas importadas. Perl-Nussbaum e Finkelstein (2026) documentam um modelo trabalhado de um grande departamento público de física R1: seis sessões quinzenais de 60 a 75 minutos, dezenove docentes participando ao longo da série e cerca de dez em cada encontro, em que cada sessão abria com dados locais ou materiais do próprio departamento, passava ao teste em pequenos grupos da IA contra lições de casa reais e anonimizadas de estudantes, e fechava em discussão coletiva. O que os docentes descobriram testando foi mais útil do que qualquer pacote que os facilitadores poderiam ter importado — a IA resolveu todos os problemas que eles tentaram, mas seu feedback sobre o trabalho real dos estudantes foi desigual, dependente do prompt e focado na superfície, a menos que recebesse objetivos e rubricas explícitas, e os estudantes fizeram prompts rasos e modificaram a saída de forma superficial, a menos que o uso produtivo fosse modelado. O primeiro produto concreto foi um repositório vivo de cinco entradas — enunciados de política de programa, materiais de discussão em sala de aula, a pesquisa com estudantes, tarefas de lição de casa com IA integrada e estruturas de avaliação — e é por isso que os autores tratam a própria estrutura das sessões como o argumento, e não qualquer conteúdo que ela tenha entregado.

Ancore em um framework de competências. O desenvolvimento também deveria construir o letramento pedagógico em prompts — a capacidade de codificar intenções pedagógicas em prompts —, já que Talebzadeh (2026) constata que é a expertise pedagógica, e não a fluência em IA, que determina a qualidade do trabalho de desenho assistido por IA dos professores. (AI-accelerated End-to-End Framework for Rapid Professional Upskilling)(AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study)(The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework)

Sequencie a compreensão antes da automação. Uma análise crítica do discurso de 14 peças de literatura cinzenta publicadas entre novembro de 2022 e abril de 2025 aconselhando praticantes sobre IA generativa para alinhamento construtivo constata que a capacidade precisa preceder o acesso à ferramenta: como a qualidade do engajamento precede a qualidade do entendimento em um framework construcionista, o risco escala inversamente à familiaridade, e os novatos são os mais expostos à aceitação guiada pela plausibilidade de saídas de aparência plausível, mas pedagogicamente rasas. McInnes et al. (2026) argumentam ainda que as unidades de desenvolvimento deveriam resistir a um encargo tecnicalista — ajudar os docentes a "adquirir fluência" em ferramentas que fazem "o trabalho pesado" do desenho de cursos —, porque esse enquadramento fecha os desenvolvedores fora de um laço fechado educador–GenAI e reconfigura o desenvolvimento relacional e guiado por valores como mecanismo mediador da adoção de software. A alternativa defensável mantém os desenvolvedores educacionais como curadores e definidores de regras de qualquer assistente de alinhamento com recuperação delimitado institucionalmente que faça perguntas investigativas, sinalize sub- e sobreavaliação e gere alternativas, mas nunca artefatos prontos, com a escalada ao juízo humano em matérias de acreditação e entre programas tratada como um recurso, e não como uma exceção.

Exponha e aborde os medos e os modelos mentais. Antes de redesenhar o ensino, use uma oficina de análise de metáforas (Vallis, Wilson & Casey 2025) para expor as suposições e ansiedades de uma equipe sobre a GenAI — inclusive o medo de que ela substitua os papéis de ensino — e construa um desenvolvimento que responda a eles, em vez de ignorá-los. (Fear and Awe: Making Sense of Generative AI Through Metaphor)

Modele o letramento em IA e meça os ganhos reais. O desenvolvimento docente deveria ele mesmo incorporar as práticas que ensina — usando a IA pedagogicamente, avaliando as saídas criticamente — e deveria avaliar a competência demonstrada, e não a confiança autorrelatada, já que a autopercepção superestima de forma confiável a habilidade com IA. (How to Assess AI Literacy: Misalignment Between Self-Reported and Objective-Based Measures)(Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers)

Não presuma que a expertise disciplinar se transfira para a GenAI. Sutedjo, Chowdhury & Liu (2026) pesquisaram 127 docentes de universidades de pesquisa dos EUA usando o instrumento TPACK-21 e constataram que o conhecimento de conteúdo (CK) não mostrou correlação significativa com o conhecimento tecnológico nem com nenhum domínio integrado à tecnologia (r = 0,11–0,15, ns) — a expertise disciplinar não previu o conhecimento de integração da GenAI. Os domínios integrados à tecnologia (TPK, TCK, TPACK) intercorrelacionaram-se tão fortemente (r = 0,81–0,91) que podem funcionar como um único fator de integração da GenAI. Na prática: construa a integração da GenAI por meio de atividades específicas por disciplina que conectem as affordances da GenAI à matéria de cada docente, e trate os domínios integrados à tecnologia como uma fundação compartilhada de letramento em GenAI, em vez de treiná-los como habilidades separadas. (Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills)

Modelos de sala de aula inteligente específicos por disciplina. Zhu, Liang, Mao e Wang (2026) mostram como um curso de Mestrado em matemática pode ser aprimorado com tecnologias educacionais inteligentes (correção automatizada, recomendações personalizadas, feedback multi-IA) integradas ao longo dos estágios pré-, em- e pós-aula dentro de um framework tridimensional de sala de aula inteligente. Seu quase-experimento constatou ganhos estatisticamente significativos na proficiência em desenho de objetivos instrucionais, oferecendo um Modelo D-T-E transferível (Demanda Disciplinar–Empoderamento Tecnológico–Laço de Avaliação) para formadores de professores e desenvolvedores educacionais que queiram mover os frameworks de educação inteligente de conceitos macro para a prática específica por disciplina.

Meça a frequência, não a sensação de engajamento. Em um programa de TPACK Inteligente de seis meses com 64 professores universitários, a taxa de frequência previu o ganho em competência em IA (β = 0,407, p = 0,001), enquanto a participação autopercebida não (β = 0,049, p = 0,692), o que os autores leem como investimento comportamental concreto contra o engajamento de superfície (Tan, Cheng & Ling (2025)). O programa combinou aulas on-line com três oficinas presenciais, e então exigiu que os professores revisassem seus desenhos instrucionais e os implementassem no semestre seguinte, e os autores recomendam atrelar a frequência à avaliação de desempenho junto com incentivos significativos.

Referencie-se pelo que os próprios docentes relatam. A pesquisa de Watson & Rainie (2026) com 1.057 docentes dos EUA constata que a camada institucional é frágil de formas que os desenhistas de programas podem medir diretamente: 59% julgaram que sua escola estava despreparada para usar a IA generativa de forma eficaz na preparação dos estudantes para o futuro, e 68% disseram que ela não havia preparado os docentes para usá-la no ensino e na mentoria, enquanto a resposta estrutural recorreu a um grupo de trabalho em 55% das instituições, mas a um resultado de educação geral em letramento em IA em apenas 13%. Os docentes não esperaram pela política — 87% escreveram suas próprias regras no nível da atribuição, contra 48% que conseguiram apontar uma institucional — e apontaram a resistência dos colegas (82%) e o desconhecimento (83%), e não o mandato, como os obstáculos à adoção departamental. Para os programas de desenvolvimento, isso argumenta por tratar as normas entre pares, a linguagem compartilhada de política no nível da atribuição e as medidas explícitas de prontidão institucional como parte da intervenção, em vez de deixá-las ao documento de política.

A resposta do instrutor reflete centros de poder, não atitude. Em um estudo de caso instrumental com 33 instrutores de escrita, quatro centros de poder policêntricos — a tendência global da GenAI, a universidade/departamento, os colegas e os estudantes — moldaram a prática, e os adjuntos limitados por baixo poder de discurso se deslocaram da detecção para o ensino do uso aceitável (Zuo et al. (2026)).

Conceitos conectados

• Competência em IA do professor
• A docência
• Letramento em IA
• Política educacional de IA
• Ensino superior
• K-12 (educação básica e média)
• Desenho de aprendizagem
• Desenho curricular
• Aprendizagem no trabalho
• Desenvolvimento profissional
• Ciências da Aprendizagem
• Desenvolvedores de tecnologia educacional
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (estudantes, professores, desenhistas, administradores, formuladores de políticas)

Artigos conectados

• Efficiency at what cost? Salvaging constructive alignment from the GenAI hype — Análise crítica do discurso sobre aconselhamento de alinhamento com GenAI: desenvolvedores reconfigurados como formadores em tecnologia

• Designing faculty standards for technology integration in higher education institutions: a design-based research study — Padrões docentes para integração de tecnologia (PBD)

• Understanding ethical dimensions of AI in higher education: insights from faculty members and students — Dimensões éticas da IA: visões de docentes e estudantes

• It Takes a Village... Program-Wide Approaches to Redesigning Assessment in a Time of Generative Artificial Intelligence (GenAI)

• It's Like "X": How Engineering Faculty Metaphors Construct (and Constrain) AI Understanding in Engineering Education — Como as metáforas de docentes de engenharia constroem (e limitam) o entendimento da IA

• Fear and Awe: Making Sense of Generative AI Through Metaphor — Medo e admiração: dando sentido à IA generativa por meio de metáforas (oficina de metáforas com docentes/funcionários/estudantes)

• Governing the Unseen: A Systematic Review of AI Literacy among Language Teachers in Higher Education — Governando o invisível: letramento em IA entre professores de línguas

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity

• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes

• A Framework for Institutional Change in the Age of AI

• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education

• AI literacy-related domains and AI-TPACK readiness among preservice mathematics teachers: A factor-informed structural equation modelling study

• AI-accelerated End-to-End Framework for Rapid Professional Upskilling

• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform

• From Prompts to Verified Loops: The PCHL-HE Framework for Generative AI-Assisted Educational and Research Content Creation in Higher Education

• Efficacy of an Intensive Generative AI Professional Development Program on Pedagogical Content Knowledge (AI-PCK) and the Comparative Analysis of Learning Gain between Experienced and Pre-service Teachers

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025)

• When faculty ask, 'what's the point of teaching?': GenAI as identity crisis, not skills gap — GenAI como crise de identidade, não como lacuna de habilidades

• “Will AI steal my glory?”: Power relations perceived by college instructors when grappling with Generative AI — Relações de poder percebidas por instrutores universitários às voltas com a GenAI na escrita (Zuo, Xu & Dunning 2026)

• The Reflective Triangle Model: AI as a Cognitive Mediator in Teachers' Professional Learning and Learning-Community Development — Modelo do Triângulo Reflexivo: a IA como mediadora cognitiva

• Assessing faculty self-perceived knowledge in using generative AI to teach 21st-century skills

• Enhancing Teachers' AI Competency: A Professional Development Intervention Study Based on Intelligent-TPACK Framework — DP com TPACK Inteligente: a frequência prevê ganhos, a participação autopercebida não — Conhecimento autorrelatado de TPACK-21 de docentes para GenAI (Sutedjo, Chowdhury & Liu 2026)

• Improving Instructional Design Proficiency of Master's Students in Mathematics Education Through Intelligent Educational Technologies — Modelo de sala de aula inteligente e laço D-T-E melhorando a proficiência em desenho instrucional em matemática no mestrado (Zhu et al. 2026)

• The Architecture of Roles in AI-Designed Group Activities: A comparative inductive analysis of novice and experienced teachers' differentiated instruction within the IAT framework — Arquitetura de papéis em atividades de grupo diferenciadas desenhadas por IA (Talebzadeh 2026)

• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Experiências e percepções de professores universitários sobre a GAI: vulnerabilidade, repensar a avaliação, aprendizagem dos estudantes em risco (Farazouli et al. 2026)

• From fear to innovation: A case study of transformative faculty development for ethical AI integration in higher education — Do medo à inovação: um instituto docente de seis semanas, pedagogia simbiótica e as condições institucionais que ele não pôde fornecer

• The AI guilt complex: Moral emotions and ethical dilemmas in academic technology adoption — O Complexo de Culpa com IA: culpa antecipatória, ocultação e diferenças por estágio de carreira entre pessoal acadêmico (Vassallo 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — Pesquisa AAC&U/Elon com 1.057 docentes dos EUA: despreparo institucional, governança frágil e a lacuna de política de 87%/48% (Watson & Rainie 2026)

• Beyond the algorithm: academic developers as digital mediators in Global South higher education — Desenvolvedores acadêmicos como mediadores digitais no ensino superior do Sul Global: o desenvolvimento como práxis sociotécnica

• A Workshop Series for Effective Use of AI in Uncertain Times: Building a Physics Faculty Learning Community — Uma série de oficinas para o uso eficaz da IA em tempos incertos: construindo uma comunidade de aprendizagem docente de física

• Exploring University Faculty's AI Well-Being: A Structural Equation Model of Social Supports, AI Literacy, and Technological Self-Efficacy — O bem-estar docente com IA acompanha o letramento em IA, e não a autoeficácia tecnológica