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 em engenharia

Criado 2026-08-17 · Atualizado 2026-09-30

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

Educação em engenharia — o estudo de como os estudantes aprendem engenharia e como ensiná-la com eficácia, abrangendo como a IA transforma a pedagogia, a avaliação, o desenvolvimento docente e a força de trabalho em engenharia. Os artigos sobre educação em engenharia desta base de conhecimento se agrupam em torno de alguns temas: a linguagem figurativa que os instrutores usam para dar sentido à IA, a governança ética do uso de IA, a avaliação corporificada e multimodal da compreensão conceitual, e como a IA está remodelando a força de trabalho em engenharia e computação.

Perguntas para refletir

  • A engenharia é uma profissão cujas decisões de egressos afetam a segurança pública e a infraestrutura. Se os estudantes contam com a IA para fazer trabalho de desenho e de resolução de problemas, o que está em jogo que não importaria em uma disciplina puramente acadêmica?
  • Instrutores de engenharia do mesmo departamento frequentemente têm modelos mentais fundamentalmente diferentes da IA — alguns a veem como um "agente" social, outros como uma "ferramenta" técnica. Como esses enquadramentos divergentes poderiam mudar o que os estudantes aprendem a fazer com a IA, dependendo de qual instrutor eles tenham?
  • O laboratório prático e a aprendizagem corporificada há muito definem a educação em engenharia. Se a IA consegue simular ou mesmo automatizar tarefas de desenho, a experiência prática ainda importa — ou algo genuinamente se perde quando a prática se torna simulada?
  • Uma linha de pesquisa avalia a compreensão em engenharia rastreando os gestos dos estudantes junto com sua fala, e constata que um forte acoplamento entre gesto e fala sinaliza compreensão conceitual coerente. O que as mãos de um estudante poderiam revelar sobre a compreensão que suas palavras, sozinhas, poderiam esconder?
  • A pesquisa constata que a orientação ética sobre IA na engenharia é em grande parte voltada aos estudantes e orientada à conformidade, com responsabilização recíproca fraca para o corpo docente e as instituições. De quem deveria ser, de fato, a responsabilidade pelo uso seguro de IA na engenharia?

Introdução

A pesquisa em educação em engenharia é distintiva porque fica na interseção entre formação profissional e conteúdo STEM rigoroso. Ela enfatiza o desenho, a resolução de problemas, a aprendizagem prática e laboratorial, o trabalho em equipe e a preparação dos egressos para a prática profissional. O desenho também é o terreno que ela compartilha com a educação em design, e as duas o dividem pelo que pode ser verificado: o objeto avaliado da engenharia admite artefatos calculáveis e carrega responsabilização pela segurança pública, enquanto o da educação em design é o processo de ateliê por trás do artefato — esboço, iteração, crítica —, justamente a evidência que as ferramentas generativas agora conseguem produzir sem o processo que antes a gerava. A IA levanta questões distintivas aqui: se a experiência prática e corporificada ainda importa quando a IA consegue simular ou automatizar tarefas de desenho; as apostas profissionais e éticas do uso de IA (as decisões dos engenheiros afetam a segurança pública, a infraestrutura e a sustentabilidade); e como a IA remodela as competências de que os egressos precisam e a força de trabalho na qual eles entram.

Como a IA aparece na pesquisa da base de conhecimento sobre educação em engenharia

  • Compreensão e linguagem compartilhada do corpo docente: Gerhardt et al. analisam as metáforas que instrutores de engenharia usam para descrever a IA, constatando que a maioria a enquadra como um "ser social/agente" humanizado ou como uma "ferramenta técnica", e que instrutores dentro do mesmo departamento frequentemente têm modelos mentais fundamentalmente diferentes. Como as metáforas tanto constroem quanto constrangem a compreensão, eles argumentam que uma linguagem compartilhada e precisa é essencial para o desenvolvimento educacional e para as discussões departamentais sobre IA.

  • Ética e uso responsável: Osunbunmi et al. revisam sistematicamente estudos empíricos de IA na educação em engenharia na graduação, identificando sete formas recorrentes de orientação ética (transparência, responsabilização, independência/agência do estudante, privacidade, integridade acadêmica, justiça/equidade/viés, beneficência). Eles constatam que a orientação ética é predominantemente voltada aos estudantes e orientada à conformidade, com responsabilização recíproca do corpo docente e das instituições pouco desenvolvida — uma preocupação agravada pela participação direta da engenharia na segurança pública e no bem-estar social.

  • Avaliação corporificada e IA Multimodal: Morphew et al. desenvolvem um framework multimodal que integra o rastreamento de gestos por visão computacional à análise de fala por LLM para avaliar a compreensão conceitual de estudantes de engenharia em estatística, mostrando que o gesto acrescenta evidência diagnóstica além da fala e que um forte acoplamento gesto–fala sinaliza compreensão coerente.

  • Transformação da força de trabalho: Fletcher et al. revisam a literatura cinzenta dos EUA sobre IA e a força de trabalho em engenharia/computação, enquadrando o "Problema do Trem Duplo" (mudança rápida versus política urgente) e recomendando competências duráveis em IA, ética e governança, e credenciais baseadas em competências para papéis emergentes.

  • Adoção e dependência dos estudantes: Nguyen et al. estendem o Modelo de Aceitação de Tecnologia com o uso crítico para modelar como estudantes de engenharia/ciência da computação formam intenções de usar IA generativa e como essa intenção prevê a dependência em tarefas de compreensão, avaliação, programação e projetos de engenharia — constatando dependência moderada e apropriada e uso intenso em tarefas relacionadas à compreensão, mas uso limitado para a escrita integral de avaliações. Asag & Al Mamun integram o TAM ao UTAUT para modelar a adoção de estudantes de engenharia bangladeshianos, explicando 64% da variância de uso e destacando relevância para o emprego, demonstribilidade dos resultados e normas subjetivas como principais impulsionadores.

  • A estratégia de fazer prompts prevê o desempenho, não o volume de uso: entre 128 estudantes de engenharia do quarto ano, a Eficiência de Consulta à IA e a Resolução de Problemas Impulsionada por IA foram os preditores mais fortes do sucesso acadêmico e permaneceram significativos após controlar pelo GPA acumulado (Isaza Dominguez et al. (2026)).

  • As metáforas dos próprios estudantes superam o que as ferramentas entregam: Kudina (2026) constatou que 100 estudantes de engenharia mais valorizavam os LLMs pelo apoio à escrita, pelo esclarecimento conceitual e pela programação, mas os enquadravam como "oráculo" e "tutor" — autoridade e personalização que um gerador probabilístico de texto não pode fornecer, um "otimismo cruel" que depende de habilidades de verificação que os estudantes ainda estão construindo.

  • Incorpore a IA na disciplina, não ao lado dela: um currículo de projeto de engenharia térmica incorporou o aprendizado de máquina em tópicos térmicos já existentes, nos níveis introdutório, de aplicação e avançado, em vez de adicionar cursos de ciência da computação, e estudantes de graduação que atendiam apenas a requisitos mínimos de entrada produziram projetos mais fracos que os pares de pós-graduação (Li et al. (2026)).

  • Tutoria com IA e feedback para cursos quantitativos de engenharia: Yin et al. (2026) apresentam o Arthur, um assistente de ensino com IA que oferece feedback personalizado em tempo real sobre Questões de Fórmula Calculada em um curso de graduação de Economia da Engenharia — um domínio no qual soluções não estruturadas, feitas a lápis e papel, têm bloqueado o apoio anterior da IA. Seu pipeline de ciclo de vida completo (curando submissões manuscritas já corrigidas, aumento de dados por mascaramento aleatório, estruturas de diagnóstico XGBoost por questão e uma interface web de banco de questões baseada em diálogo) oferece um caminho escalável para feedback de IA em cursos de engenharia que carecem de dados digitais estruturados, e o framework é desenhado para generalizar a CFQs em outras disciplinas de engenharia.

  • IA para sustentabilidade, integrada em vez de modular. O framework de quatro pilares AI-SEE (movido por inteligência, capacitado pelo verde, liderado pela responsabilidade, integrado à prática) distribui a IA pelo trabalho de curso de engenharia; em um caso de 144 estudantes de engenharia de transportes, os estudantes relataram engajamento nos níveis pessoal, acadêmico, profissional e social, com o raciocínio sobre sustentabilidade sendo levado para as famílias e as redes de pares (Liu et al. (2026)).

  • Um ateliê rico em ferramentas pode deprimir a autoeficácia sem melhorar o produto. Em um ateliê de desenho arquitetônico com 27 estudantes, as equipes que usavam um pipeline de IA generativa mais XR mostraram quedas pré–pós maiores na Autoeficácia de desenho (β = −1,675) e na expectativa de resultado (β = −2,088) que os controles, enquanto um headset por estudante não produziu colaboração coordenada (Xiao et al., 2026).

Preocupações características

As preocupações características da educação em engenharia moldam como a IA é adotada: aprendizagem prática e laboratorial (e o que se perde quando a IA simula a prática), formação profissional (responsabilidade ética, segurança e impacto social), desenho e resolução de problemas (quanto trabalho cognitivo a IA deveria fazer) e preparação baseada em competências para a força de trabalho. Isso faz da educação em engenharia um rico campo de estudo sobre se a IA amplia ou desloca o trabalho cognitivo essencial à expertise profissional — em paralelo aos debates em educação em física, educação em matemática e educação em computação.

Conexões com conceitos afins

A educação em engenharia fica dentro do STEM e se conecta fortemente ao Ensino de ciência da computação (computação e engenharia de software), ao ensino de matemática e ao ensino de física (fundamentos matemáticos e físicos da engenharia), à formação profissional e ao desenvolvimento educacional (preparação da força de trabalho e dos instrutores), à avaliação e à ética (as apostas profissionais e avaliativas da IA), e ao ensino superior (o contexto institucional). É a disciplina de origem dos artigos da base de conhecimento provenientes da ASEE.

Subáreas pouco cobertas

A cobertura de educação em engenharia desta base de conhecimento ainda está em desenvolvimento. Subáreas que se beneficiariam de mais artigos incluem as pedagogias específicas da disciplina de engenharia pedagógicas (mecânica, civil, química, elétrica, de software e de bioengenharia), o desenho e a educação maker, os projetos de conclusão de curso e a aprendizagem baseada em projetos, e a educação em ética da engenharia — onde o papel da IA tende a ser especialmente consequente.

Implicações para instrutores de engenharia

  • Construa uma linguagem compartilhada e precisa sobre IA. A pesquisa sobre metáforas do corpo docente constata que instrutores têm modelos mentais fundamentalmente diferentes (agente versus ferramenta); alinhe a compreensão departamental antes de formular política.
  • Feche a lacuna entre ética e responsabilização. As revisões de ética constatam que a orientação é em grande parte voltada aos estudantes e orientada à conformidade; fortaleça a responsabilização recíproca do corpo docente e das instituições, dada a participação da engenharia na segurança pública.
  • Use avaliação multimodal e corporificada. A avaliação de gesto + fala acrescenta evidência diagnóstica além da linguagem — considere pistas corporificadas ao avaliar a compreensão conceitual.
  • Prepare os estudantes para a força de trabalho, não apenas para o curso. O Problema do Trem Duplo insta a competências duráveis em IA, ética/governança e credenciais baseadas em competências alinhadas aos papéis emergentes.
  • Modele o uso crítico e a dependência apropriada. A pesquisa de TAM com uso crítico mostra que os estudantes dependem intensamente da IA em tarefas de compreensão, mas menos em avaliação — oriente-os rumo a uma dependência apropriada e verificável nos diferentes tipos de tarefa.
  • Ensine o uso de IA como habilidade dentro do tempo de aula. Geng et al. (2026) realizaram nove demonstrações conduzidas pelo instrutor, cada uma de 10–15 minutos no fim de uma aula e sequenciadas do letramento em ferramentas até a delegação estratégica e a avaliação de modelos —, mas estudantes que não viam conexão com a avaliação as relataram como redundantes, então amarre-as ao trabalho avaliado.

Conceitos conectados

Artigos conectados

Metadados

DisciplinaEngineering Education, Stem Education
NívelHigher Ed
Público-alvoLearners, Instructors, Faculty Developers
Aprendizagem e ensinoAprendizagem no trabalho
Avaliação e mediçãoAvaliação
Equidade, ética e uso responsávelÉtica
Fundamentos da IA na educaçãoLetramento em IA, Desenvolvimento educacional
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.