Política educacional de IA

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

Política educacional de IA — as regras formais e informais que governam o uso de IA nas instituições educacionais, da legislação nacional às orientações de sala de aula. A pesquisa em política da base de conhecimento abrange a governança institucional, as determinações de currículo e as exigências de preparação docente.

Perguntas para refletir

• As políticas institucionais de IA costumam ser escritas como se dizer às pessoas as regras mudasse o que elas fazem. A pesquisa sugere que essas políticas podem ficar muito atrás do uso real da IA. Por que você acha que uma política "no papel" falha tão frequentemente em corresponder ao que acontece nas salas de aula?
• Se a terceirização da lição de casa causa perdas de aprendizagem que passam em larga medida despercebidas — porque nenhum professor isolado liga o declínio de um estudante ao uso de IA —, que tipo de política seria possível? Como seria o monitoramento?
• Decisões de política de avaliação como provas orais, provas supervisionadas e formatos fechados são, elas mesmas, respostas à trapaça possibilitada pela IA. Você acha que policiar a "saída" (capturar o uso de IA) é uma estratégia melhor do que redesenhar a avaliação para que o próprio trabalho seja mais difícil de terceirizar?
• A política educacional de IA abrange legislação nacional, orientações governamentais, regras institucionais e escolhas no nível da sala de aula. Qual desses níveis você acha que de fato mais molda o comportamento de estudantes e professores — e por quê?
• De quem tendem a partir as vozes que moldam a política de IA — e cujas faltam? Quem deveria estar à mesa quando uma instituição decide que uso de IA é permitido e como ele é governado?

Introdução

Níveis de política

• Política institucional: a análise da política institucional compara como as universidades desenvolvem políticas de IA. Os frameworks de mudança institucional fornecem modelos para o desenvolvimento de políticas. Qian (2026) codificou as principais páginas de IA das 50 universidades dos EUA mais bem rankeadas em inovação em 2025 e constatou que apenas 6 as enquadravam como uma "policy", enquanto 44 publicavam orientações, diretrizes, princípios ou hubs de recursos, e que 33 de 50 posicionavam os instrutores como principais tradutores das expectativas institucionais em regras de curso — a política institucional está sendo deliberadamente escrita como orientação adaptável à interpretação no nível do curso, e não como regra fixa.
• Política governamental: e a política de aprendizagem ao longo da vida examinam abordagens regulatórias nos níveis nacional e regional. Uma visão crítica, no nível da infraestrutura, da IA na formulação de políticas governamentais é a de Perrotta (2026), cuja análise do protótipo LLM do serviço público Redbox do Reino Unido mostra como a IA de uso geral entra no kit profissional da política por meio da "governança zero-shot" — modelos fundacionais agnósticos a domínio intervindo em decisões, envoltos em andaimentos específicos de domínio finos.
• Política de K-12 (educação básica e média): as revisões de evidência de Stanford sobre 818 artigos informam a política de IA para o K-12.
• Política de avaliação: as políticas de reforma da avaliação e os frameworks de avaliação autêntica representam respostas no nível da política à trapaça possibilitada pela IA. A escolha do formato de avaliação somativa — oral, supervisionada, fechada — é ela mesma uma decisão de política de avaliação (ver avaliação somativa).

Lacuna de maturidade da política

A base de conhecimento documenta que as políticas institucionais de IA ficam atrás do uso real de IA. Os programas de desenvolvimento educacional, os frameworks de competência em IA do professor e a regulamentação exigem, todos, fundamentos de política coerentes. A evidência de campo em larga escala (Strömberg, Lei & Wu 2026) mostra que as perdas de aprendizagem da terceirização da lição de casa passam em larga medida despercebidas porque professores de disciplinas isoladas e estudantes raramente ligam o declínio ao uso de IA — uma lacuna que uma política informada por evidência (por exemplo, dar mais peso à avaliação fechada, informar os estudantes dos custos de longo prazo, monitorar insumos em vez de saídas) pode endereçar.

Onde se formou consenso para preencher essa lacuna, o Delphi de 35 especialistas em 22 países de Crompton et al. (2026) convergiu em oito áreas de governança — com a integridade acadêmica como âncora central —, mais um mecanismo de revisão em seis partes (comitê permanente de GenAI, revisões programadas da política, desenvolvimento profissional, comunicação, avaliação de impacto, monitoramento) para manter as políticas atualizadas. A prontidão nacional em IA não prediz a força da política institucional. Adarkwah et al. (2026) pontuaram 26 universidades de dez países com alto AIPI contra o framework GenAI de oito componentes da UNESCO e constataram que instituições nórdicas e da Nova Zelândia cobriam-no mais plenamente do que pares melhor rankeados, enquanto inclusão, equidade e sustentabilidade eram os elementos mais negligenciados.

Documentos de aconselhamento superam a política vinculante. Um censo de todos os programas acreditados de um campo profissional mostra que a lacuna de maturidade é de forma, e não apenas de tempo. Eldredge et al. (2026) coletaram documentos de política e orientação sobre IA de todos os 48 programas de mestrado em informática em saúde e gestão da informação em saúde acreditados pela CAHIIM nos Estados Unidos e constataram que 40 (83%) tinham ao menos um documento publicamente disponível relacionado à IA, enquanto 8 não tinham nenhum, mas que os documentos eram em sua maioria orientação, e não regras aplicáveis: 21 diretrizes (53%) contra 7 políticas formais (18%). Seu conteúdo centrava-se em integridade acadêmica e uso aceitável, com privacidade, propriedade intelectual e conceitos regulatórios (HIPAA, FERPA, conformidade de pesquisa) aparecendo com muito menos frequência, e a modelagem de tópicos retornou a mesma ênfase em conduta do estudante. Nem o tipo de documento nem o público pretendido variaram por modo de oferta (exato de Fisher P = .85 e P = .71). Os autores leem isso como evidência de que a política de programa acadêmico é uma atividade distinta do desenho curricular e do desenvolvimento de competências para o mercado de trabalho, e argumentam que órgãos de acreditação poderiam reduzir a variação daí resultante fornecendo frameworks de política de IA que integrem integridade acadêmica, ética de dados e acesso equitativo.

Uma revisão sistemática do Reino Unido acrescenta uma camada setorial à mesma lacuna: o investimento em infraestrutura e o treinamento de pessoal em IA se concentram em universidades intensivas em pesquisa (Russell Group), enquanto instituições voltadas ao ensino (post-92) enfrentam restrições de capacidade, e apenas uma minoria das instituições do Reino Unido mantém planos oficiais de governança de IA (Ashiq (2026)).

Um setor fazendo política sem base de evidências. A lacuna de maturidade também aparece como problema de evidência nos programas profissionalizantes. Gutowski e Hurley (2025) pontuaram as políticas institucionais das escolas de direito dos EUA aprovadas pela ABA em cinco dimensões — prohibitividade, permissividade, integração educacional, transparência e responsabilização, e profundidade — e constataram que a maioria das escolas adotava posições geralmente proibitivas, ao mesmo tempo que reservava discricionariedade aos instrutores individuais e se comprometia a revisar as regras à medida que a tecnologia avança. Eles atribuem a cautela à pressão do tempo, e não à evidência: a pesquisa da ABA de 2024 obteve respostas de apenas cerca de 15% das escolas acreditadas, e os autores relatam não haver consenso sobre se o uso de IA deve ser divulgado ou como deveria ser citado. Sua conclusão é procedimental — construir política com o corpo docente, e não para ele, treinar proativamente, e tratar a geração de política como um evento recorrente, e não um ato único —, o que torna a educação jurídica um dos casos mais claros da distinção política-versus-governança que esta página traça.

Os instrutores regulam; as instituições em grande parte não. A lacuna de maturidade tem uma segunda face, visível do lado do ensino. Watson e Rainie (2026) pesquisaram 1.057 docentes de faculdades e universidades dos EUA e constataram que as regras foram escritas muito mais rápido abaixo da instituição do que nela: 87% dos respondentes criaram suas próprias políticas no nível da tarefa para o uso de IA pelos estudantes, contra 35% que disseram que seu departamento escreveu diretrizes e 48% que disseram que sua instituição o fez. A resposta estrutural por trás desses documentos é magra — 55% relataram um grupo de trabalho ou de supervisão, 37% novas aulas com foco em IA, 17% uma especialização ou habilitação em IA, 16% novos cargos de liderança acadêmica, e apenas 13% de adoção do letramento em IA como resultado de formação geral —, enquanto 68% disseram que suas escolas não haviam preparado os docentes para ensinar com as ferramentas. Como os estudantes encontram o mosaico resultante como um regime institucional único, o achado é evidência direta para a distinção desta página entre um documento de política e a governança que o torna consistente. (Os autores descrevem a amostra como não científica e não generalizável, de modo que é melhor lida como as preocupações expressas do setor.) Essa lacuna documentada tem uma consequência mensurada do lado dos estudantes. O desenho de dois estudos de Chen — 160 estudantes de arte num experimento de cenários e 425 pesquisados (Chen, 2026) — constatou que a inconsistência percebida entre a defesa de GAI de uma universidade e suas práticas reais de ensino, avaliação e apoio predizia positivamente tanto as avaliações de impedimento (β = 0,431) quanto as de desafio (β = 0,496), que carregavam efeitos indiretos opostos sobre o engajamento no processo criativo (β = −0,060 pelo impedimento, p = 0,004; β = 0,217 pelo desafio, p < 0,001), de modo que uma única política desalinhada pode ao mesmo tempo suprimir e sustentar o trabalho criativo dos estudantes.

A regulação no nível da tarefa é o padrão emergente. Um estudo longitudinal em larga escala de mais de 31.000 planos de curso (2021–2025) numa grande universidade pública de pesquisa (Chirikov 2026) mostra como os instrutores de fato regulam a IA na prática: a regulação explícita de IA cresceu de quase zero para 55% dos cursos no outono de 2025, mas a direção se deslocou de restritiva para permissiva, e os instrutores passaram a diferenciar por tipo de tarefa — restringindo a IA para redação/raciocínio (tarefas com risco de deslocamento), ao mesmo tempo que a permitiam para edição/revisão de texto e apoio ao estudo (tarefas de aumento). O enquadramento também se deslocou da integridade acadêmica (63%→49% dos planos) para o impacto na aprendizagem (1%→29%). Esse padrão baseado em tarefas — construído sobre os mecanismos de economia do trabalho de deslocamento, aumento e reintegração de tarefas — oferece uma alternativa mais granular às políticas de adoção ou proibição gerais e é uma âncora empírica direta para a distinção política-versus-governança acima.

• O lado dos estudantes da regulação no nível da tarefa. Com duas de três avaliações sob uma faixa idêntica de uso aberto, o formato da avaliação ainda decidia para que os estudantes usavam a GenAI: os usos de feedback subiram de 0% numa apresentação com andaimento para 66,7% num quiz para levar para casa (Quince e Faulconer (2026)).

O desenho de política no nível do instrutor como exercício de alinhamento. A regulação no nível da tarefa tem uma contraparte de desenho abaixo do plano de curso. O caso de desenho de McCorkle (2025) deriva os usos permitidos e não permitidos de GenAI de um curso a partir de "o que, especificamente, estou avaliando?" — inventariando cada tarefa de um projeto, mapeando cada tarefa a um objetivo de aprendizagem, pareando cada uma com uma competência emergente de mercado de trabalho em GenAI (desenvolvimento e preparação para a carreira), e então decidindo qual preocupação tem prioridade: a necessidade de avaliar o desempenho do estudante ou o valor de construir a competência. A política resultante difere tarefa por tarefa dentro de um único projeto — brainstorming de temas e curadoria de imagens permitidos, compor objetivos de aprendizagem e desenhar slides não —, com o racional escrito diretamente aos estudantes. O caso também documenta por que as proibições gerais falham na prática: estudantes que não se veem como desonestos leem uma proibição como não se aplicando a eles, e a política se torna iníqua (equidade) quando as expectativas são deixadas implícitas. Ele complementa os níveis de política de cima para baixo acima mostrando como o conteúdo de uma política pode ser gerado a partir do alinhamento com a avaliação nos níveis do curso e da tarefa.

A lacuna fronteira–evidência na política de avaliação. Uma auditoria de 30 universidades das orientações públicas de avaliação em GenAI (Yao 2026) constata que as políticas institucionais são melhores em classificar o uso de IA do que em explicar que evidência de aprendizagem permanece válida sob cada classe: a nota média de fronteira de delegação (2,47/4) excedeu a nota média de padrão de evidência (1,89/4), as salvaguardas eram esparsas (2,75 de 8), e a orientação era mais clara para a substituição do produto final. O framework de gestão cognitiva argumenta que as políticas precisam tornar visível a lógica de certificação — o que quem aprende pode delegar, o que ainda deve demonstrar, e como as instituições protegem evidência justa —, em vez de meramente monitorar o uso de IA.

Linguagem de proibição sobreinclusiva e regras mal aplicadas. O escopo de uma regra é uma decisão de política com consequências além da conformidade. Wright (2026) argumenta que as proibições gerais escritas pelo ensino superior desde 2023 barram a "IA generativa" sem a precisão técnica para separar a geração de conteúdo da conversão de formato potencializada por IA — reconhecimento óptico de caracteres, reconhecimento de texto manuscrito e transcrição de fala são tecnologias de reconhecimento que inferem o que um estudante já escreveu, em vez de produzir conteúdo novo. Nessa leitura, sancionar o uso apenas de transcrição é melhor caracterizado como aplicação indevida de política, e não como má conduta, e o custo da imprecisão recai desigualmente: estudantes expostos a equidade e estudantes com deficiência que dependem dessas ferramentas carregam risco desproporcional de falso positivo, uma exposição que as questões e riscos legais tratam como uma questão de ajuste razoável, e não de integridade.

Uma fronteira baseada em propósito, em vez de uma lista de ferramentas. Li (2026) fornece o conteúdo de política que falta à linguagem de proibição sobreinclusiva: uma linha de apoio-versus-substituição definida pela função e pelo construto da avaliação, e não pela nomeação de ferramentas, com o argumento de que as listas de ferramentas ficam obsoletas e encorajam a conformidade por interface. O apoio permitido é uma intervenção de superfície que não acrescenta ideias, nem fontes, nem reordenação material da análise; a substituição é gerar argumentos ou contra-argumentos, aplicar regras disciplinares a fatos, reestruturar uma sequência analítica, ou gerar citações para inclusão. O framework é entregue como três instrumentos — definições de trabalho com testes rápidos compartilhados, de modo que dois corretores caracterizem a mesma conduta da mesma forma; modelos de divulgação calibrados que vão de nada para funções embutidas de baixo risco a uma declaração de uma linha para edição de linguagem externa e aproximadamente 80–120 palavras onde a ideação limitada é expressamente autorizada; e uma rubrica de decisão que nomeia proxies fracos (linguagem polida ou fluência repentina, formulação de não nativo, notas isoladas de detecção) ao lado dos tipos de evidência que podem ter peso. Ele também enuncia as condições sob as quais regimes permissivos em escala, como a Escala de Avaliação de IA, permanecem viáveis: uso expressamente autorizado para a tarefa específica, o construto re-especificado de modo que estudantes e corretores saibam o que é avaliado, e a divulgação mantida viável.

Automação escalonada com supervisão humana obrigatória. A prova nacional de credenciamento do ensino fundamental II Acredita EB do Uruguai oferece um modelo concreto de automação que preserva a supervisão na política de avaliação: as seções de múltipla escolha e os procedimentos existentes permanecem inalterados, a IA é usada apenas para a seção de escrita dentro de um estágio obrigatório de calibração sobre 50–100 textos, e duas regras de poda decidem quais resultados exigem revisão por especialistas — candidatos que não podem passar nas outras duas seções não precisam de revisão de escrita, e candidatos Proficientes nas três seções passam com apenas 0,2%/0,6% de risco residual observado. Os autores estimam que o desenho poderia reduzir em pelo menos 50% as respostas escritas que precisam de correção humana plena, mantendo o princípio orientador de que nenhuma decisão final sobre os resultados da prova é tomada sem supervisão humana apropriada. Isso complementa o trabalho fronteira–evidência acima mostrando uma política que especifica não apenas onde a IA é permitida, mas qual evidência humana e qual revisão permanecem obrigatórias.

O lado adversarial da correção automatizada. Uma política que encaminha a correção por uma ferramenta de IA herda uma superfície de ataque. Humble (2026) fez red-teaming de um fluxo de trabalho institucional de correção escondendo cinco injeções indiretas de prompt dentro dos arquivos de uma submissão sintética que o Microsoft Copilot (GPT-5.2) havia corrigido como reprovação em todas as seis execuções de linha de base. Duas estratégias elevaram a nota sem aviso visível ao usuário — taxas de sucesso de ataque relatadas de 100% (9 de 9 iterações) e 94% (17 de 18) —, e a ferramenta tanto desativou silenciosamente um chat após bloquear o ataque mais simples quanto, numa iteração, anunciou que ignoraria instruções embutidas antes de elevar a nota nas seis execuções seguintes. Uma nota obtida por uma instrução oculta não carrega nenhuma reivindicação de validade, e a mesma técnica poderia degradar uma submissão sem rastro durável, de modo que os pedidos do artigo são no nível da política, e não técnicos: orientação setorial, desenvolvimento profissional, uso restrito de IA com revisão humana para trabalho de alto impacto, e testes padronizados e agnósticos a domínio de resiliência a injeção de prompt, para que a superfície de ataque seja medida, e não presumida. É a contraparte adversarial dos desenhos de supervisão acima: onde aqueles especificam qual revisão humana é obrigatória, esta especifica uma classe de manipulação para cuja captura a revisão existe, mas para a qual não tem sinal confiável.

Uma matriz de valor/norma como fundamento de política. Agarwal et al. (2026), uma revisão sistemática de 25 artigos, consolidam a ética da AIED em seis valores éticos principais (não discriminação, gestão de dados, supervisão humana, boa vontade, explicabilidade, adequação educacional) e mapeiam as normas éticas extraídas da literatura numa matriz parte interessada por valor. A revisão posiciona a matriz como fundamento para construir frameworks éticos detalhados e regulamentação para a AIED, dando a instituições educacionais, desenvolvedores e reguladores normas concretas para implementar valores específicos. Ela constata que as normas de boa vontade voltadas aos reguladores são muito mais numerosas (nove) do que para qualquer outro conjunto de partes interessadas, sinalizando o papel dos reguladores em assegurar que a AIED beneficie quem aprende por meio de política e legislação — um ponto de partida concreto e ancorado em valores para a maquinaria política-versus-governança que esta página descreve.

Afirmações que viajam mais longe do que suas qualificações. O anúncio de um piloto também é um instrumento de política, e seus padrões de relato fazem parte da política. Restrepo Morales et al. (2026) analisam o episódio de setembro de 2026 em El Salvador, no qual um piloto de tutoria por IA em 171 escolas públicas foi relatado como alcançando resultados comparáveis aos da Alemanha e da Suécia: contra a média alemã de matemática no PISA 2022, os 5,5% do topo da distribuição nacional de desempenho teriam igualado o benchmark sem ganho de aprendizagem algum, e a avaliação do piloto cobriu 7,0 estudantes por escola, contra 25,4 na pesquisa nacional do mesmo ano, de modo que a evidência publicada não consegue excluir a seleção como explicação. Sua proposta é um padrão de relato de seis itens — a linha de base das escolas participantes, o protocolo de amostragem (estudantes elegíveis, estudantes avaliados, regra de identificação, taxa de participação), notas desagregadas com erros padrão, a data operacional de cada componente da reforma, a sobreposição com a amostra nacional representativa, e a qualificação enunciada no mesmo documento, postagem ou parágrafo que a afirmação —, motivada pela aritmética da divulgação do próprio anúncio: a postagem do Banco Mundial que carregava a afirmação registrou cerca de 441.000 visualizações, contra cerca de 11.000 da postagem que carregava a qualificação quatro lugares mais adiante na mesma thread. A lição de política é que, onde um sistema usa resultados de nível escolar como evidência sobre si mesmo, o formato da divulgação decide qual enunciado se torna o fato público.

Uma análise em nível de país do PISA 2022-2025 constatou que países com maior uso de IA generativa mostraram declínios maiores em leitura e matemática, uma associação que desapareceu uma vez controlado o desempenho prévio (Guerra & Aslanov, 2026). Os autores a leem como uma ressalva de que o acesso mais amplo a chatbots não deveria ser tratado como um benefício em si mesmo, e pedem implantações acompanhadas de avaliação longitudinal.

Política versus governança

Política e governança são estreitamente relacionadas, mas distintas, e mantê-las separadas importa para compreender a pesquisa da base de conhecimento.

• A política é o conteúdo — o que é decidido. Uma política é uma regra formal, um princípio ou um enunciado: que uso de IA é permitido, proibido ou exigido; o que deve ser divulgado; que formatos de avaliação são permitidos. Ela existe como um artefato documentado (legislação, diretriz institucional, enunciado no plano de curso) e responde a "quais são as regras?"

• A governança é a maquinaria — como ela é decidida, implementada e aplicada. A governança abrange as estruturas institucionais, as normas e os mecanismos de responsabilização que produzem, executam e monitoram a política: quem define as regras, como elas são comunicadas e financiadas, como a conformidade é exigida e contestada, e como elas são revisadas à medida que a IA evolui. Ela responde a "quem decide, e como as regras de fato entram em vigor?"

• Elas são interdependentes. Política sem governança não é aplicada — uma regra escrita que ninguém possui, monitora ou atualiza. Governança sem política carece de direção — estruturas que não administram nada em particular. A pesquisa da base de conhecimento mostra repetidamente que as duas têm de ser construídas juntas: uma política que apenas classifica o uso de IA, sem governança para especificar evidência, salvaguardas e processos de revisão, permanece fraca na prática (a auditoria de gestão cognitiva), e uma governança que apenas monitora, sem política clara, arrisca vigilância sem equidade (ver governança de IA).

• A liderança sênior em IA é rara em relação à ambição estratégica. Uma revisão de escopo de 19 fontes constatou que apenas 7% das instituições haviam criado cargos de liderança sênior em IA, embora 49% tratassem a IA como prioridade estratégica, com a maioria dos estudos incluídos conceituais ou transversais, de modo que nenhum efeito causal da governança antecipatória pôde ser estabelecido (Baroudi (2026)).

O teste prático que as separa: uma política pode ser lida no papel, mas a governança é observada em se a regra é implementada, aplicada e adaptada. É por isso que a governança estende a regulamentação e a política para dentro das instituições, e por que a base de conhecimento trata as escolhas de formato de avaliação (avaliação somativa) como decisões de política que só se tornam efetivas por meio de estruturas de governança como conselhos de revisão, frameworks de declaração e vias de recurso.

A política de sala de aula como fronteira interpretativa da governança. A maquinaria da governança não para no documento institucional; os professores que o leem e adaptam são o último elo da corrente, e Nash & Burriss (2026) mostram como esse elo se parece na prática. Seus professores em formação inicial esperavam trabalhar em distritos com políticas de IA, mas ainda assim tinham de redigir regras específicas de sala de aula para os próprios estudantes — uma habilidade essencial de adaptação —, e os autores argumentam que os professores podem declinar adotar IA para tarefas específicas de leitura e escrita sem ignorá-la, com a recusa de princípio distinguível da rejeição acrítica. Manter essa distinção viável é ele mesmo uma tarefa de governança: distritos e programas de formação precisam da orientação, do desenvolvimento profissional e da infraestrutura de política que permitam aos professores recusar usos particulares sem serem enquadrados como atrasados.

Indicadores de governança para o problema da autenticação. Coates, Croucher e Calderon (2025) fornecem a camada de mensuração que essa distinção política-versus-governança implica, tratando a integridade acadêmica na era GenAI como um problema de governança antes de um problema de detecção e julgando a governança acadêmica contemporânea resiliente, mas "não bem posicionada nem preparada" para proteger a autenticação da avaliação dos estudantes. Seu framework reúne 130 questões de governança sob oito dimensões — Desenhar, Desenvolver, Treinar, Implementar, Analisar, Reportar, Avaliar e Melhorar —, e os itens são questões sobre maquinaria institucional, e não escalas psicométricas: se o conselho ou a cúpula da instituição recebe atualizações sobre processos e resultados de avaliação, se indicadores-chave de desempenho cobrem a qualidade da avaliação, que porcentagem de estudantes é conhecida individualmente pelos professores que os avaliam, se notas extremamente baixas ou altas são conferidas por outra pessoa, e se existe uma rota simples para encaminhar casos de fraude contratada. O programa de reforma que o acompanha tem como alvo as arquiteturas de governança, as pessoas que ocupam cargos de governança, e as tecnologias e os recursos que apoiam a avaliação, e os autores argumentam que pouco desenvolvimento institucional rende sem afordamento externo da regulamentação, do benchmarking e da competição entre instituições — a mesma pressão regulatória que a página de regulamentação trata como a restrição vinculante sobre a reforma da governança.

• A lacuna também é medida no K-12, e não apenas nas universidades. Uma pesquisa nacionalmente representativa com 1.018 professores e diretores de escolas públicas dos EUA constatou que apenas 18% dos professores e 24% dos diretores relatavam uma política escolar de IA generativa — o mesmo padrão abaixo da instituição que esta página documenta no ensino superior (Tench, Weinstein & James, 2026)).

O déficit de política na pesquisa em IA × SEL

Uma revisão sistemática de 65 artigos na interseção entre IA e aprendizagem socioemocional (Tran, Liu & Nguyen 2026) documenta um "déficit de política": quase três quartos dos estudos não enunciam implicações de política, e os que o fazem muitas vezes carecem de especificidade orientada a atores. A revisão constata que o engajamento com política se correlaciona com o veículo de publicação, refletindo incentivos acadêmicos que recompensam a novidade técnica em detrimento da governança e da regulamentação. Ela propõe um framework de "perguntas-W" (Quem, O quê, Por quê, Quando/Onde, Como) e uma mudança de "implicação como pensamento posterior" para "implicação como metodologia" — tratando a articulação de política como uma restrição de desenho da pesquisa, e não como um acréscimo posterior.

Conceitos conectados

• Parcerias pedagógicas — Parcerias pedagógicas
• Regulação da IA na educação
• Governança de IA
• Desenvolvimento educacional
• Equidade na educação com IA
• Ensino superior
• K-12 (educação básica e média)
• Integridade acadêmica
• Ética
• Competência em IA do professor
• Enquadrando o uso de IA para estudantes
• Avaliação somativa
• Educação em química — Educação em química e IA: laboratórios, avaliação formativa, limites dos LLMs, filosofia da experimentação
• Educação em biologia — Educação em biologia e IA: assistentes de laboratório, letramento em IA em biologia, pensamento crítico, ferramentas especializadas
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (estudantes, professores, desenhistas, administradores, formuladores de políticas)
• Apoio e sucesso dos estudantes — o contexto de política para a implantação de apoio institucional

Artigos conectados

• An AI Policy Isn't a Playbook: Educators Need Agency, Not Just New Rules — Uma pesquisa nacionalmente representativa com professores e diretores dos EUA sobre cobertura de política de IA, agência e cinco "jogadas" de sala de aula (Tench, Weinstein & James 2026)
• When universities advocate GAI but practice falls short: student appraisals and creative process engagement in art education — Quando as universidades defendem a GAI, mas a prática fica aquém: avaliações dos estudantes e engajamento no processo criativo na educação em arte
• Writing the Rules for Generative Machines: Tensions and Entanglements in Preservice Teachers' Classroom AI Policies — Políticas de IA em sala de aula de professores de inglês em formação inicial: o que permitiram, limitaram e proibiram (Nash & Burriss 2026)
• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Um framework com humano no circuito para correção assistida por IA em avaliação de escrita em larga escala
• Designing an Aligned Generative AI Course Policy: An Equitable and Transparent Learner-Centered Approach — Derivar usos permitidos e não permitidos de GenAI tarefa por tarefa a partir do que é avaliado (McCorkle 2025)
• How Instructors Regulate AI in College: Evidence from 31,000 Course Syllabi — Como os instrutores regulam a IA ao longo de 31.000 planos de curso (Chirikov 2026)
• Artificial Intelligence and Grade Inflation — Deslocamento de tarefas para a IA como mecanismo de inflação de notas (Chirikov 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global sobre governar a IA generativa no ensino superior
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Orientação em vez de política: regras de plano de curso definidas pelo instrutor e um ecossistema de apoio de quatro unidades em 50 universidades inovadoras dos EUA (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Comparação de cinco fatores das políticas de GenAI nas escolas de direito num setor que faz política sem base de evidências (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Transcrição não é geração: regras de IA sobreinclusivas, conversão de formato e acomodação de deficiência (Wright 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Governança antecipatória para a IA no ensino superior (revisão de escopo)
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Documentos de política de IA em todos os 48 programas acreditados de mestrado em informática em saúde: em sua maioria orientação, centrados em integridade acadêmica (Eldredge et al. 2026)
• What Does the Credential Still Certify? Cognitive Stewardship for AI-Mediated Education — Gestão cognitiva para a avaliação mediada por IA (auditoria de política de 30 universidades)
• Generative Artificial Intelligence Policy: A Qualitative UNESCO Framework Analysis
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education
• 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
• The Evidence Base on AI in K-12: A 2026 Review
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making
• The Policy Deficit in AI × Social-Emotional Learning Research — O déficit de política na pesquisa em IA × SEL
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valores e normas éticos para a IA na educação
• Zero-shot governance — Governança zero-shot: IA de uso geral na política (Perrotta 2026)
• How much selection would be enough? Bounding the learning claim of El Salvador's artificial intelligence tutoring pilot — Limitando a afirmação de aprendizagem do piloto de tutoria por IA de El Salvador (Restrepo Morales et al. 2026)
• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1.057 docentes dos EUA: 87% escrevem suas próprias regras de tarefa contra diretrizes institucionais e departamentais magras (Watson & Rainie 2026)
• GenAI assessment and language equity: Drawing the line between support and substitution — Uma fronteira apoio–substituição baseada em propósito, com divulgação calibrada e rubricas de decisão (Li 2026)
• Ethical implications of prompt injection in AI-mediated grading: An adversarial red-team evaluation — Injeção de prompt na correção mediada por IA: notas alteradas sem detecção, e a resposta no nível da política (Humble 2026)
• Governing academic integrity: Ensuring the authenticity of higher thinking in the era of generative artificial intelligence — 130 indicadores de governança para autenticar a avaliação, e a pressão externa de que a reforma precisa (Coates, Croucher & Calderon 2025)
• Student GenAI use under changing institutional policies: a mixed-methods case study in undergraduate physics — Faixa de política versus desenho de tarefa: para que os estudantes usaram a GenAI ao longo de três avaliações de física (Quince & Faulconer 2026)
• Generative AI use and the 2022–2025 decline in PISA performance across countries — O maior uso de IA generativa em nível de país acompanhou declínios maiores no PISA 2022-2025, uma correlação que desapareceu após controlar o desempenho prévio (Guerra & Aslanov 2026)