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 ambiental

Criado 2026-09-20 · Atualizado 2026-09-20

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

Perguntas para refletir

  • "IA e educação ambiental" pode significar duas coisas muito diferentes: usar a IA para ensinar sobre clima e sustentabilidade, e reduzir o custo ambiental de usar IA nas salas de aula. Qual delas você ouve na sua instituição — e qual delas tem uma linha de orçamento vinculada?
  • Se uma universidade ensina ciências do clima com um grande modelo de linguagem intensivo em energia em cada laptop de estudante, ela avançou a educação ambiental ou a minou? O que teria que ser verdade para a resposta ser "ambas"?
  • Um experimento concluiu que a investigação assistida por IA melhorou a tomada de decisões sobre o clima em relação à investigação sozinha, com ganhos concentrados nas etapas mais fracas. Você confiaria em uma unidade climática apoiada por IA na sua sala de aula, e o que precisaria ver primeiro?
  • Praticamente nenhum artigo de IAED relata sua pegada de computação ou de carbono. O impacto de sustentabilidade não relatado é um problema de pesquisa, um problema de aquisição, um problema de ensino, ou nenhum desses?

Introdução

A educação ambiental desenvolve a compreensão dos sistemas ecológicos, do clima e da interdependência entre humanos e ambiente por parte de quem aprende, junto com as disposições e competências para agir sobre eles — frequentemente enquadrada institucionalmente como Educação para o Desenvolvimento Sustentável (EDS) ou "educação verde". No contexto da IA na educação, o termo carrega uma tensão com que o corpus se depara sem sempre nomear: a IA como ferramenta para a educação ambiental (ensinar conteúdo de clima e sustentabilidade com ferramentas generativas) e a pegada ambiental da própria IA (o custo em carbono, água e energia dos modelos que as instituições implantam). São perguntas diferentes, com evidências, atores e remédios diferentes; confundi-las — como vários artigos e a maioria dos documentos de estratégia fazem — torna impossível dizer quem é responsável pelo quê.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Duas coisas chamadas "educação ambiental com IA"

  • IA para a educação ambiental — usar a IA para ensinar conteúdo ambiental, construir consciência de sustentabilidade ou apoiar habilidades verdes. Essa metade tem frameworks, um estudo de pesquisa com professores e um experimento de sala de aula.
  • A pegada da IA na educação — emissões e uso de recursos dos modelos e da infraestrutura usados no ensino, seja qual for a matéria. Essa metade tem uma revisão da prática de relato, um Ponto de referência (Benchmark) de engenharia e um pequeno estudo de interface — e nada sobre a pegada da IA usada especificamente para a educação ambiental.

Uma terceira vertente, mais fraca, trata a "aprendizagem sustentável" como uma propriedade pedagógica em vez de ambiental: aprendizagem que persiste e se transfere, em vez de ser curto-circuitada pelo deslocamento cognitivo. Ela compartilha o vocabulário da sustentabilidade, mas não é uma afirmação ambiental.(Fostering Sustainable Learning via Embodied Intelligence: The E3-HOT Framework for Higher-Order Thinking in the AI Era)

Ensinar temas ambientais e climáticos com IA

A evidência mais forte é um quase-experimento de três grupos que usa a mudança climática como questão sociocientífica. Estudantes que trabalhavam com um parceiro de IA dentro de uma tarefa estruturada de investigação superaram os pares apenas com investigação (d = 0,69) e o ensino tradicional (d = 1,88) em uma rubrica de tomada de decisões, com os maiores ganhos nas etapas em que os estudantes entravam mais fracos — monitoramento e gestão adaptativa, e geração de alternativas. A condição com IA era adicional à investigação, e não uma substituição, e a coleta e a análise de dados não separaram os grupos de forma alguma, sugerindo que a IA apoiou o raciocínio sobre trade-offs em vez da reunião de evidências.(Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change)

No nível do currículo, o framework AI-SEE integra a IA por todo um currículo de engenharia em quatro pilares (dirigido por inteligência, empoderado pelo verde, liderado pela responsabilidade, integrado à prática), em vez de como um módulo de sustentabilidade acoplado; um piloto com 144 estudantes relatou ganhos em consciência de sustentabilidade e engajamento comportamental nos níveis pessoal, acadêmico, profissional e social. Os autores alertam que se trata de evidência de entrevista de uma única instituição, autorrelatada e de um único momento, de um programa chinês de transportes.(Enhancing Sustainability Consciousness in Higher Education: Impacts of Artificial Intelligence-Integrated Sustainable Engineering Education)

Dois estudos menores cobrem o lado do desenho. O desenho instrucional assistido por IA sob restrições da Pedagogia do Desenvolvimento Sustentável melhorou os planos de aula de professores pré-serviço com um efeito implausivelmente grande (d = 2,80, 28 equipes, sem grupo de controle). Separadamente, um estudo por equações estruturais com 122 professores em serviço concluiu que o uso prático da IA em tarefas de ciências e energia verde, somado ao envolvimento no desenvolvimento de materiais alinhados à EDS, predizia a capacidade de integração da IA, enquanto o conhecimento abstrato e as atitudes em relação à IA não o faziam — embora um questionário dicotômico e um construto de conhecimento fraco limitem até onde o resultado se transporta.(The Role of Artificial Intelligence in Green Education: Optimizing Teacher Workflow and Enhancing Pedagogical Design under Sustainable Development Pedagogy (SDP) Constraints)(Teacher Involvement in Developing Sustainable Education Materials for AI Integration in Green Energy Education)

A pegada ambiental da IA na educação

Essa metade é onde o corpus é mais fino. Uma revisão de todos os 396 artigos dos anais da AIED 2025 concluiu que há "adoção de LLMs sem divulgação": a maioria dos projetos usa LLMs, 85 artigos relataram algum custo computacional e apenas 57 mencionaram impacto ambiental — usando métricas incompatíveis, de modo que o campo não consegue agregar sua própria evidência. Os autores argumentam que deixar de relatar o custo ambiental é, por si só, uma preocupação ética e propõem um método de código aberto (CodeCarbon mais uma estimativa de FLOPs de dois parâmetros para modelos proprietários).(The Environmental Cost of LLMs in AIED: Reporting and Practices)

Do lado de quem aprende, uma interface de eco-feedback que expõe o trade-off entre latência e carbono durante o uso ao vivo de LLMs foi estudada com 89 estudantes de graduação em ciência da computação em um curso de ética da computação: os estudantes escolheram o modo de menor carbono em cerca de 45% das interações de baixa latência, mas em menos de 5% na latência alta, e a consciência de sustentabilidade elevou significativamente essa escolha. A amostra é pequena e incomumente bem informada do ponto de vista técnico, mas é a única evidência direta no corpus de que a informação sobre pegada move quem aprene de algum modo — e sugere que a restrição vinculante é a paciência, não os valores.(When LLMs Slow Down: How Environmental Impacts Mediate University Students' LLM Usage)

A evidência de mitigação vem de um assistente de base de conhecimento de computação no local, em uma única GPU de consumo (12 GB de VRAM), com conteúdo de licença aberta: 1,8 mWh por consulta na melhor hipótese — cerca de 0,54 Wh para uma turma de 30 estudantes enviando dez consultas cada — com ajuste fino ciente de quantização contendo tanto a perda de precisão quanto a alta de alucinação que a compressão isolada causava. É um benchmark de engenharia, não um estudo de aprendizagem, mas mostra que a questão da pegada tem alavancas de desenho (fundamentação, quantização, local de implantação), e não apenas alavancas de disciplina de uso.(Towards sustainable AI knowledge-base assistants in computer science education: on-premise deployment and optimization with open educational resources)

Habilidades verdes, consciência de sustentabilidade e capacidade docente

Juntos, esses estudos descrevem uma agenda de habilidades verdes entregue de forma desigual: a consciência de sustentabilidade como resultado curricular, o desenvolvimento de material alinhado à EDS como mecanismo da capacidade docente, e a tomada de decisões sobre o clima como habilidade de raciocínio mensurável. A vertente de crítica de valor fornece a ressalva: uma análise conceitual argumenta que a contribuição da IA para a educação sustentável é condicional e mediada pela governança, apoiando a sustentabilidade apenas quando a adoção é subordinada a valores educacionais explícitos e a propósitos centrados no humano — o que coloca a governança e a pedagogia crítica dentro da educação ambiental, e não ao lado dela.(Sustainable Education in the Age of Artificial Intelligence and Digitalization: A Value-Critical Approach)

A revisão de escopo que organiza essa literatura fornece o veredicto do próprio campo sobre escala: as aplicações se agrupam em torno de gestão de energia, monitoramento climático e programas de campus verde, mas são limitadas em escala, frequentemente carecem de diretrizes éticas ou ambientais, e boa parte da pesquisa permanece conceitual ou de piloto pequeno. A cobertura é enviesada para a América do Norte e a Europa, com quase nada do Sul Global além de alguns estudos sul-africanos.(A Scoping Review of AI for Sustainability and Sustainable AI in Higher Education)

O que a evidência ainda não estabelece

  • Nenhuma evidência de pegada para a educação ambiental especificamente. Os números de carbono e energia vêm de estudos gerais de LLM e de um benchmark em contexto de computação; nada mede o custo ambiental de um currículo climático ou de EDS apoiado por IA.
  • Nenhuma evidência de ganho de aprendizagem para intervenções de pegada. O eco-feedback mudou escolhas em um estudo de laboratório; nada mostra que ele muda hábitos, resultados de avaliação ou aquisição.
  • Nenhuma evidência causal para os frameworks curriculares. O AI-SEE é um caso autorrelatado de um único local e o E3-HOT um projeto com nenhum estudo implementado; o resultado de desenho de aula da PDS não tem grupo de controle.
  • Nenhuma evidência de grande escala ou entre contextos. Todo resultado empírico aqui é de um único local, e os estudos com professores repousam sobre amostras pequenas e intencionais com instrumentos fracos.
  • As duas metades raramente são estudadas juntas, embora ambas incidam sobre a mesma sala de aula.

Implicações para a IA na educação

  1. Nomeie qual pergunta você está respondendo. Estratégias que usam "sustentabilidade" tanto para o ensino do clima com IA quanto para a pegada da própria IA escondem a lacuna de responsabilização que Daniel et al. (2026) identificam; mantenha as agendas separadas, com responsáveis separados.
  2. Trate a divulgação da pegada como infraestrutura do campo. Relatar computação e carbono ao lado da precisão — com uma declaração de sustentabilidade mesmo quando a mensuração é imperfeita — é a única saída do problema das métricas incompatíveis.
  3. Desenhe para quem aprene é impaciente. Se a opção de menor carbono custa latência percebida, a maioria dos estudantes não a escolherá: mantenha a latência baixa, exponha controles e descreva o impacto em termos de resultado concretos, não em unidades abstratas de carbono.
  4. Prefira implantações mais leves onde a pedagogia permitir. Fundamentar um modelo em um corpus local licenciado e quantizar com ajuste fino deu precisão utilizável a uma fração da energia — reutilize esse padrão antes de escalar a inferência em nuvem.
  5. Construa capacidade docente por meio do desenvolvimento de material, não de campanhas de conscientização, e preencha a lacuna do Sul Global em vez de importar evidências dos contextos norte-americano e europeu.

Conceitos conectados

Artigos conectados

Metadados

DisciplinaEnvironmental Education
Aprendizagem e ensinoAprendizagem baseada em investigação, Aprendizagem situada, Pedagogia crítica
Tecnologias e técnicasIA generativa, Grandes modelos de linguagem (LLMs), Código aberto
Instituições e políticasPolítica educacional de IA, Governança de IA
Equidade, ética e uso responsávelSustentabilidade, Ética, Sul Global
Fundamentos da IA na educaçãoIA na educação
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.