Empatia

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

Síntese: A empatia entra na educação por três direções ao mesmo tempo: como um resultado que os educadores tentam ensinar, como um construto que tentam medir e como algo que os sistemas de IA são cada vez mais descritos como capazes de exibir. A evidência é desigual nas três. Ensinar empatia funciona — o role-play, a RV e o diálogo com LLMs produzem ganhos pré-pós mensuráveis —, mas o efeito encolhe à medida que a experiência se torna menos corporificada, e os estudos comparativos confundem a modalidade com o tempo de tarefa. Medir empatia é mais difícil do que ensiná-la: as avaliações de observadores se sustentam entre si, enquanto os proxies de visão computacional concordam quanto ao contato físico, discordam quanto ao contato visual e se invertem quanto ao sorriso. A IA pode ensaiar conversas empáticas em escala, mas o estudo mais bem controlado mostra competência autoavaliada subindo sem uma checagem de desempenho observado. E a preocupação mais recente vai na direção oposta: acreditar que a IA pode fornecer empatia torna as pessoas menos dispostas a fornecê-la elas mesmas (Shastry & Gray, 2026).

Perguntas para refletir

• Se o role-play, a RV e um chatbot todos aumentam os escores de empatia, a diferença é aprendizagem ou tempo de tarefa?
• Uma estudante de enfermagem sorri para um paciente com dor: os observadores leem incongruência, um detector de sorriso lê calor. Em qual deles uma avaliação deveria confiar?
• A maioria dos estudos sobre treinamento de empatia apoiado por IA mede confiança, não comportamento observado. Se a confiança sobe mas o comportamento não, o treinamento falhou ou apenas não foi testado?
• Quando um chatbot responde com calor, os estudantes relatam se sentir compreendidos. Isso é empatia, uma encenação de empatia, ou algo que importa independentemente de qual seja?
• Se as pessoas terceirizam a responsabilidade empática quando passam a acreditar que a IA pode fazê-lo, o que isso implica para um currículo que ensina empatia em parte por meio da prática com IA?
• Quem deveria decidir se a empatia é um resultado avaliável por nota — e o que acontece com os estudantes que são precisos mas não calorosos?

Introdução

A empatia costuma ser decomposta em pelo menos dois componentes: um componente cognitivo, a tomada de perspectiva, e um componente afetivo, compartilhar o sentimento do outro, com algumas abordagens acrescentando um componente motivacional, o impulso de ajudar. O sofrimento pessoal — a reação aversiva ao sofrimento do outro — é frequentemente medido ao lado e se comporta de forma diferente do resto. Isso importa para a educação porque os componentes são ensináveis de maneiras diferentes e mensuráveis com graus diferentes de sucesso.

A IA entra em três pontos distintos, e confundi-los é a principal fonte de confusão na literatura.

1. A IA como método de ensino da empatia humana. Simulações, corporificação em RV, role-play com personas geradas por LLM e imagens generativas usadas para tornar vívida a experiência do outro.
2. A IA como instrumento de mensuração. Visão computacional que pontua linguagem corporal em simulações gravadas, ou escalas que tratam a empatia como uma disposição expressa na interação com a IA.
3. A IA como ator empático. Chatbots que fazem o papel de pacientes, treinadores ou companheiros e são desenhados para parecer compreensivos, o que levanta a questão de se a empatia é real, encenada ou um substituto do contato humano.

As duas primeiras dizem respeito aos aprendizes; a terceira, aos sistemas. Uma página que as mistura produz afirmações como "a IA melhora a empatia" que significam três coisas diferentes.

A empatia pode ser ensinada?

A comparação direta é excepcionalmente limpa no desenho e excepcionalmente confundida na execução. Zwoliński et al. (2026) distribuíram aleatoriamente 64 estudantes de mestrado de um curso de acessibilidade entre role-play do mundo real com cadeiras de rodas, trajes de envelhecimento e simuladores de gravidez; o mesmo equipamento em um laboratório de RV; ou construção de personas em diálogo com o ChatGPT-4.0. Os três grupos melhoraram significativamente no Índice de Reatividade Interpessoal de Davis. O role-play ganhou 13,2%, a RV 11,6% e a condição de IA 8,8%. Apenas o Sofrimento Pessoal diferiu significativamente entre os grupos.

A ordenação é intuitiva e a interpretação não é. As três condições duraram aproximadamente 125, 87 e 42 minutos, de modo que o estudo compara modalidade e dosagem ao mesmo tempo. É justo dizer que um diálogo de 42 minutos com um LLM produziu um ganho menor do que um exercício corporificado de duas horas; não é justo dizer que a corporificação vale três vezes mais por minuto. Os autores são explícitos sobre o confundimento, e a recomendação dos próprios estudantes — combinar a repetibilidade da RV, a riqueza sensorial do mundo real e a adaptatividade do LLM — é uma leitura razoável da evidência.

A literatura das profissões da saúde acrescenta escala, mas não muita clareza causal. Ismail e Zafira (2026) revisaram 17 estudos sobre IA para o desenvolvimento do domínio afetivo e encontraram as intervenções concentradas em treinamento de comunicação, pacientes virtuais, feedback reflexivo, simulação de comunicação de más notícias e avaliação no estilo OSCE. A maioria relatou ganhos em confiança, autoeficácia, engajamento reflexivo ou habilidade de comunicação percebida. A evidência para a empatia em si, a responsividade emocional, a autenticidade relacional e a comunicação não verbal permaneceu limitada. Esse é o achado central: um campo que pretende ensinar empatia está medindo, sobretudo, conforto.

Uma quarta vertente torna a ambiguidade explícita: sensores vestíveis de excitação e imagens geradas por IA podem tornar vívidas as circunstâncias do outro, mas um aumento na condutância da pele é evidência de excitação, não de empatia, e os estudos dessa linha muitas vezes param por aí (Lim et al., 2024).

A empatia pode ser medida?

As avaliações de observadores são o que mais se aproxima de um padrão de referência, e se comportam razoavelmente. Em Nissan et al. (2026), dois docentes avaliaram 37 estudantes de enfermagem em uma simulação gravada com um inventário de 12 itens (α = 0,91) e uma escala de seis gestos (α = 0,93), e as avaliações de gestos se correlacionaram com o inventário entre 0,41 e 0,63.

Os algoritmos contaram uma história mais interessante. A detecção de contato físico concordou com quatro medidas de observadores entre 0,46 e 0,54. A detecção de contato visual e de mapas de calor não mostrou associação significativa com os julgamentos dos observadores. E o detector de sorriso se correlacionou negativamente com três medidas de observadores, e com a empatia total em r = −0,322, porque os observadores estavam vendo uma estudante sorrir para um paciente com dor e lendo isso como nervosismo ou incongruência. O sinal era real; a interpretação estava invertida. É a mesma lacuna inferencial documentada em analítica de sensores e olhar, em um contexto em que o que está em jogo é uma nota clínica.

As escalas de autorrelato ocupam o outro extremo. A Escala de Empatia em IA para Interação com IA Generativa trata a empatia como uma disposição humana expressa durante o uso da IA e pergunta aos respondentes sobre suas próprias respostas cognitivas, afetivas e motivacionais; sua estrutura fatorial preliminar não reproduziu as seis dimensões pretendidas (Kang et al., 2026). Um questionário de disposição e uma observação comportamental não são intercambiáveis, e nenhum dos dois substitui as avaliações dos pacientes sobre se o encontro pareceu acolhedor.

A IA pode ensaiar a empatia?

Sim, ao menos para a parte do ensaio. Müller et al. (2026) deram a 162 estudantes de medicina uma conversa com um GPT-4o com papel definido por prompt em um de quatro cenários — decisão compartilhada, entrevista motivacional, uma consulta sobre IST, comunicação de más notícias — e a competência de comunicação autoavaliada subiu de 5,89 para 6,83 em uma escala de 0 a 10 (d = 0,58) após uma média de 13 trocas. Os estudantes avaliaram o feedback da IA como útil em 7,92 de 10, mas a adequação do feedback não previu o ganho (r = 0,08). Não havia grupo de controle.

O padrão se repete: um ensaio curto e de baixo risco produz um grande ganho de autoeficácia, e o mecanismo é mais provavelmente o ensaio do que a crítica do modelo. Isso não é motivo para descartar a ferramenta. Pacientes padronizados são caros, escassos e agendados; um chatbot não é nada disso, e um estudante que já conversou uma vez sobre uma comunicação de más notícias usará uma sessão com paciente padronizado de outra forma. É motivo para parar de chamar o ganho de evidência de competência.

Onde a empatia é uma qualidade conversacional e não uma habilidade, a evidência é sobre percepção. Wang et al. (2026) mantiveram modelo, plataforma e temperatura constantes e mudaram apenas o papel e os movimentos conversacionais no prompt, produzindo uma grande diferença na empatia percebida (21,27 versus 18,24, r = 0,53). A empatia, no sentido em que os estudantes a experimentam, pode ser roteirizada. Se roteirizá-la é educacionalmente bom é uma questão separada.

O problema da substituição

A linha de trabalho mais recente pergunta o que a empatia da IA faz com a empatia humana. Em quatro estudos com 249, 494, 743 e 737 participantes, Shastry e Gray (2026) descobriram que quanto mais capazes as pessoas acreditam que a IA é de oferecer apoio emocional, menos dispostas elas estão a oferecê-lo elas mesmas — o descarregamento da empatia —, controlando por empatia de traço e uso prévio de IA. Quando a fonte de apoio do receptor era nomeada, os participantes disseram que descarregariam menos para a IA do que para amigos ou terapeutas, porque avaliavam a capacidade empática da IA como menor. Em uma medida comportamental, os mesmos participantes que disseram que não descarregariam escolheram menos palavras de empatia e mais palavras de indiferença.

Para a educação, isso corta nos dois sentidos. Um currículo que usa a IA para praticar empatia pode estar construindo a habilidade; uma cultura de campus que encaminha o apoio emocional para chatbots pode estar erodindo a motivação para usá-la. Os dois efeitos são compatíveis, e nada na literatura atual os mede em conjunto.

O que isso significa na prática

• Separe as três perguntas. Quando alguém afirma que a IA melhora a empatia, pergunte se quer dizer ensinar humanos, medir humanos ou simular empatia. A evidência é diferente para cada uma.
• Não aceite a autoeficácia como resultado de empatia. A confiança é barata e sobe depois de quase qualquer ensaio; observação, pacientes padronizados ou avaliações de pacientes são as medidas que importam.
• Trate os escores de visão computacional como leitores secundários. A detecção de contato físico é utilizável para feedback formativo; a detecção de sorriso e de contato visual não é, sem o contexto de cenário que um modelo não tem.
• Planeje o tempo, não apenas a modalidade. Os estudos comparativos confundem as duas, e um método mais barato que leva um quarto do tempo ainda pode ser a melhor escolha — só não uma escolha equivalente.
• Fique atento ao descarregamento. Se a IA se tornar o canal padrão de apoio emocional, a empatia que você tenta ensinar pode estar sendo silenciosamente terceirizada.

Concepções errôneas comuns

• "A IA pode ensinar empatia." A IA pode apoiar o ensaio e a reflexão; a revisão mais robusta encontra evidência limitada para a empatia como resultado, e o estudo de treinamento mais bem controlado mede autoavaliação.
• "Empatia é linguagem calorosa." A empatia percebida pode ser produzida apenas pelo desenho do prompt, o que é evidência sobre percepção, não sobre compreensão.
• "Um sorriso significa calor." Em um encontro clínico angustiante, os observadores leem o sorriso como incongruência, e um detector de ação facial o lê como afeto positivo. O contexto é a variável que falta.
• "Escalas de autorrelato medem empatia." Elas medem uma disposição ou um autoconceito; não medem comportamento em um encontro.
• "Mais imersivo é sempre melhor." Métodos imersivos mostram ganhos maiores, mas a várias vezes o custo e a duração, e as comparações não equalizam a exposição.

Conceitos conectados

• Tutoria afetiva
• Computação afetiva
• Aprendizagem socioemocional
• Aprendizagem no trabalho
• Simulação
• Educação médica e em profissões de saúde
• Educação em enfermagem
• Analítica de sensores e do olhar
• Validade da avaliação
• Medidas de autorrelato
• Colaboração humano-IA
• Sicofância de IA
• Segurança pedagógica
• Bem-Estar
• Ensino de artes, design e mídia

Artigos conectados

• Teaching Empathy: A Comparative Analysis of Real, Virtual, and AI-Driven Methods — Role-play 13,2%, RV 11,6%, diálogo com IA 8,8% no IRI, com o tempo de exposição confundido (Zwoliński et al., 2026)
• Detecting Nursing Students' Empathy in Video-Recorded Simulation Using Computer Vision — A detecção de contato físico concordou com os observadores; a de sorriso se mostrou negativa (Nissan et al., 2026)
• Training Empathetic Communication Skills in Medical Students With a Role-Prompted GPT-4o Chatbot — Competência autoavaliada subiu d = 0,58 após 13 trocas, sem grupo de controle (Müller et al., 2026)
• Artificial Intelligence for Affective-Domain Development in Healthcare Professions Education: A Systematic Review — 17 estudos; ganhos de confiança comuns, evidência de empatia limitada (Ismail & Zafira, 2026)
• Exploring the Potential of AI in Nurturing Learner Empathy, Pro-Social Values and Environmental Stewardship — EDA e imagens generativas como um pipeline de excitação, com a empatia afirmada e não medida (Lim et al., 2024)
• People offload empathy when they think AI can give it instead — A crença na capacidade empática da IA previu menor disposição a oferecer apoio (Shastry & Gray, 2026)
• AI Empathy as a Human Disposition in Generative AI Interaction: Development and Preliminary Psychometric Evaluation of a Cognitive–Affective–Motivational Scale — Uma escala de disposição de 42 itens cuja estrutura fatorial não correspondeu ao seu desenho (Kang et al., 2026)
• Invisible Impact of Empathy on Behavioral Change: Isolating the Effect of Empathy in Long-term Physical Activity Coaching Chatbot Interactions — A linguagem empática aumentou a compreensão sentida, que previu engajamento e não mudança de comportamento (Siyan et al., 2026)
• Comparing teacher-centered and student-centered agents based on prompt engineering: Effects on learning performance, cognitive load, flow experience, and empathy perception in physics learning — Papel e movimentos especificados no prompt produziram uma grande diferença de empatia percebida (Wang et al., 2026)
• Nursing Students' and Faculty Experiences with Artificial Intelligence in Education: A Qualitative Study Using the Technology Acceptance Model — Estudantes de enfermagem descreveram a IA como apoio emocional durante o estresse clínico (Akbaba et al., 2026)