Equidade na educação com IA

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

Equidade — o princípio de que a IA deve servir a todos os estudantes com justiça, e o estudo das disparidades sistêmicas no acesso às ferramentas educacionais de IA, na representação dentro delas e nos benefícios que delas decorrem. A pesquisa em equidade da base de conhecimento examina as lacunas de acesso e a divisão digital, o viés e a justiça nos sistemas de IA, o desenho culturalmente responsivo e linguisticamente inclusivo, a acessibilidade para estudantes com deficiência e a distribuição dos benefícios e danos da IA entre grupos. Ela conecta o técnico (mitigação de viés, algoritmos justos) ao estrutural (infraestrutura, política) e ao pedagógico (ensino culturalmente relevante).

Perguntas para refletir

• Fornecer ferramentas de IA a uma escola ou sala de aula não fecha automaticamente as lacunas de desempenho — na verdade, apenas o acesso pode ampliá-las. Se "o acesso não basta", o que mais precisa estar em vigor para que a IA realmente sirva a todos os estudantes com justiça?
• Mesmo os dados usados para simular estudantes carregam viés: quando LLMs geraram vinhetas de estudantes, modelos diferentes produziram mais perfis do Norte Global ou do Sul Global e pronomes de gênero distintos. Quanta confiança devemos depositar nas representações de estudantes geradas por IA quando os próprios modelos codificam priores desiguais?
• A equidade na educação com IA é frequentemente enquadrada em torno de três preocupações: quem recebe as ferramentas (acesso), quem está representado nelas (representação) e quem se beneficia (resultados). Você consegue pensar em uma situação em que um grupo recebe acesso, mas ainda assim não se beneficia? O que explica a lacuna?
• A pesquisa sobre "silêncio estrutural" argumenta que falantes de línguas sub-representadas são desfavorecidos pela infraestrutura de IA — corpora de treinamento, tokenização, benchmarks — antes mesmo de qualquer modelo ser treinado. Se a desvantagem está embutida na infraestrutura, por onde começa a correção?

Introdução

A equidade na educação com IA aborda três preocupações sobrepostas: quem recebe as ferramentas de IA (acesso), quem e o que está representado nos sistemas de IA (representação) e quem se beneficia (resultados). A IA pode tanto ampliar quanto estreitar as disparidades existentes, dependendo do desenho, da infraestrutura e da política. A equidade é, portanto, uma lente transversal aplicada à justiça algorítmica, ao acesso digital, à inclusão linguística, à acessibilidade e ao ensino culturalmente relevante.

Equidade de acesso e infraestrutura

• A divisão digital: o acesso desigual às ferramentas de aprendizagem movidas por IA ao longo das linhas socioeconômicas, das regiões e das nações é uma barreira fundacional. A evidência documenta como os benefícios da IA generativa são distribuídos de forma desigual entre países e instituições.
• A qualidade da ferramenta faz parte da divisão, e não apenas o acesso a ela: Canonigo (2026) submeteu 50 prompts de matemática três vezes cada aos níveis gratuito e premium do mesmo modelo e constatou que o nível gratuito era impreciso em 49 de suas 150 respostas (32,7%), contra 18 de 150 (12%) para o nível premium (χ2(1) = 17,5, p < 0,001); professores da escola menos provida de recursos das duas do estudo chamaram o modelo gratuito de "praticamente inútil para matemática". Os autores leem isso como uma divisão algorítmica que estende a divisão digital além do acesso a dispositivos, para a qualidade da própria ferramenta, de modo que uma escola com "acesso à IA" ainda pode estar entregando aos estudantes um tutor materialmente menos confiável, com a ressalva dos próprios autores de que a comparação foi exploratória e os prompts não foram randomizados, tornando o tamanho da lacuna indicativo, e não assentado. O mesmo estudo mostra que a direção que a lacuna toma não é fixada pela ferramenta: onde os professores exigiam que os estudantes comparassem o produto da IA com seu próprio trabalho e pré-orientavam o modelo a reter as soluções, o produto se tornava um artefato para crítica, enquanto em classes sem mediação os estudantes consultavam o algoritmo primeiro e o professor se tornava um validador ("Eu não sou mais o oráculo; eu sou o editor").
• O acesso não basta: fornecer ferramentas de IA sem abordar barreiras estruturais não fecha as lacunas — o acesso precisa vir acompanhado de habilidades, apoio e condições que possibilitem o uso genuíno.

O apoio diferenciado não é evidência de benefício equitativo: uma revisão da tutoria com IA na matemática constata que as alegações de inclusividade não se sustentam porque os estudos raramente testam se os ganhos são distribuídos de forma consistente entre grupos de habilidade, gênero, nível socioeconômico, língua, deficiência e geografia, deixando não estabelecido que esses sistemas reduzam as lacunas de desempenho (Ogunsakin et al. (2026)).

• O corpo docente espera que a divisão se amplie. Watson e Rainie (2026) pesquisaram 1.057 professores de faculdades e universidades dos EUA e constataram que 81% esperavam que a IA generativa ampliasse as iniquidades digitais (58% dizendo que muito) — a expectativa de equidade mais forte do relatório, que fica ao lado de 68% que disseram que suas instituições não haviam preparado os professores para usar as ferramentas no ensino e na mentoria. A mesma pesquisa mostra quão desigualmente as ferramentas são adotadas: 26% dos respondentes não usam IA generativa de forma alguma, número que sobe para 40% do corpo docente de artes e humanidades e 28% de cientistas sociais, de modo que o não uso e a falta de preparação se concentram em disciplinas específicas. O relatório é uma amostra não probabilística que seus próprios autores afirmam não ser generalizável, então esses são os interesses expressos pelo setor, e não efeitos mensurados.
• Desvantagem de infraestrutura: o Silêncio Estrutural mostra que a infraestrutura da IA — corpora de treinamento, tokenização, benchmarks, arquiteturas de implantação — desfavorece sistematicamente falantes de línguas sub-representadas antes mesmo de um modelo ser treinado, reenquadrando a escassez de dados como um problema estrutural, e não incidental.
• Priors demográficos específicos de modelo em dados sintéticos: López-Pernas et al. (2026) constataram que, quando LLMs geravam vinhetas de estudantes, cada modelo impunha tendências demográficas distintas — a GPT produzia mais perfis do Norte Global e usava pronomes they/them, a Qwen produzia mais perfis do Sul Global e a Mistral pende para she/her. Mesmo a construção dos dados de estudantes por um carrega, portanto, priors regionais e de gênero que podem se propagar para as recomendações subsequentes, um risco de equidade pouco examinado.
• Gradientes socioeconômicos: a política de IA e aprendizagem ao longo da vida e os experimentos de lacunas de produtividade examinam como a IA pode estreitar ou ampliar as lacunas entre diferentes grupos de estudantes.
• Superando divisões para estudantes com deficiência: Khlaif et al. (2026) constataram que a GenAI nivela o campo de jogo para universitários com deficiência visual ao longo das divisões digital, geográfica e socioeconômica, enquadrando a inclusão como uma questão tanto infraestrutural quanto cultural — estendendo o discurso de equidade digital além do acesso, para pertencimento, voz e representação.

A preparação importa mais do que a preferência, e o direito de recusar é distribuído de forma desigual. Estudantes com forte confiança acadêmica podem recusar a IA sem penalidade, enquanto estudantes que precisam de apoio linguístico, apoio de acessibilidade ou feedback rápido experimentam a recusa como uma perda de oportunidade, e pessoal casual pode sentir pressão para adotar ferramentas que cortam o tempo de preparação sem cortar a responsabilidade. Onde um dever de compreender é imposto sem treinamento, infraestrutura segura e política clara, ele se torna carga de trabalho oculta, e a recusa se torna uma resposta previsível à falta de preparação institucional, e não uma resistência à tecnologia (Zagami 2026).

O aluguel é pago em três moedas, e a competência possuída vai com o egresso. de Barba (2026) argumenta que a capacidade residente em uma ferramenta comercial está disponível apenas nos termos do provedor, então as licenças institucionais realocam o locador em vez de removê-lo: o acesso tipicamente termina com a matrícula, e a capacidade alugada então persiste apenas para egressos que conseguem continuar pagando. Ela acrescenta outras duas distribuições que os debates de acesso costumam perder — os custos de self se concentram na aclimatação, onde estudantes com menos conhecimento prévio de domínio passam mais tempo, e os padrões alugados carregam os pontos de referência do modelo, com previsão de deslocar mais os padrões dos estudantes cujos pontos de referência cultural e linguístico diferem dos do modelo. A mesma ferramenta amplia o acesso e desloca padrões ao mesmo tempo, e é por isso que ela trata nomear as capacidades que um curso precisa construir por conta própria como uma medida de equidade, e também pedagógica.

Equidade representacional

• Viés nos dados de treinamento e nos produtos: os dados de treinamento da IA refletem largamente as perspectivas culturais dominantes. A pesquisa sobre transferência de viés de gênero mostra que a escrita assistida por LLM pode contaminar o trabalho do estudante com viés de gênero; os filtros da educação em história e a pontuação por IA podem codificar pressupostos ocidentocêntricos e linguisticamente enviesados.

• Conhecimentos marginalizados: a pesquisa sobre conhecimentos minorizados examina como a IA generativa marginaliza sistemas de conhecimento não dominantes e perspectivas da deficiência no ensino superior.

• Diversificação curricular: professores usam cada vez mais LLMs para diversificar materiais curriculares (Wang et al., 2025, constataram que 78% o faziam), mas as listas de leitura curadas por IA ainda sub-representam autores BIPOC, e os tutores de IA de STEM assumem por padrão contextos de problema ocidentocêntricos.

• As imagens geradas repetem as normas visuais dominantes, o que torna o uso crítico uma competência, e não um extra. Jiang et al. (2026) observam que a geração de imagens por GenAI reproduz normas multimodais dominantes, como o viés visual, e alertam que a avaliação multimodal que ignora isso arrisca automatizar e reproduzir desigualdades; seu framework para professores de segunda língua exige, portanto, a competência de ajudar os estudantes a detectar, avaliar e contra-narrar os produtos enviesados dos modelos (Jiang et al., 2026)).

Equidade de resultados

• Impacto diferenciado: as ferramentas de IA podem ampliar as lacunas se forem desenhadas sem uma lente de equidade — revisões sistemáticas e estudos de viés na pontuação mostram benefícios e danos desiguais entre grupos de estudantes. A evidência agregada de benefício carrega a mesma fronteira: Jing et al. (2026) estimam um ganho moderado a grande para graduandos ao longo de 35 estudos (g=0,53, IC 95% [0,48, 0,64]), ao mesmo tempo que afirmam que o acesso iníquo a ferramentas de alto custo é um dos riscos que esses tamanhos de efeito não conseguem capturar, e testes de Egger significativos para desempenho acadêmico e habilidades profissionais deixam a assimetria do funnel plot e os efeitos de estudos pequenos não resolvidos.
• Aprendizagem equivalente ao longo de duas ordens de magnitude de custo. O StudentBench constatou que a tutoria com IA agregada é estatisticamente equivalente à tutoria humana especializada, enquanto a dispersão entre tutores ia de \$0,005 a \\$1,40 por ponto percentual de ganho de aprendizagem, e um modelo aberto igualou os ganhos humanos com um custo por ponto 918× menor (\$0,0052 contra \\$4,81), tornando o custo por unidade de aprendizagem uma variável de acesso, e não apenas de qualidade (Northcutt et al. (2026)).
• Amplificação do viés: as sugestões da IA e o feedback automatizado podem reforçar (e não desafiar) os vieses docentes e sistêmicos existentes. Marked Pedagogies mostra que as ferramentas de feedback de escrita por LLM se deslocam sistematicamente para elogios alinhados a estereótipos e crítica retida quando o feedback é personalizado com a raça, a língua, a deficiência, o desempenho ou a motivação do estudante — mesmo em redações idênticas —, tornando a "personalização" um vetor concreto de viés no feedback automatizado.
• Sistemas conscientes de justiça: a mitigação de viés e a pesquisa sobre confiabilidade da ground-truth desenvolvem métodos para detectar e corrigir viés em tutores, corretores e recomendadores de IA.
• Os regularizadores de justiça podem não se generalizar para novos estudantes: Fragkiadakis et al. (2026) acrescentaram regularização de lacuna de erro voltada a gênero e idade a um transformer multimodal que previa a atenção do estudante em tempo real, e constataram que ela estreitou as disparidades demográficas nos dados de validação, mas esses ganhos não se transferiram de forma consistente para sujeitos retidos nem para divisões repetidas no nível do sujeito (o modelo regularizado reduziu a lacuna em apenas 4 de 10 execuções de treinamento). A justiça certificada em uma única divisão pode, portanto, evaporar em estudantes genuinamente novos — a IA educacional precisa de avaliação com leave-subjects-out e sementes repetidas, e não apenas de métricas agregadas.
• Decisões de próxima oportunidade distribuídas de forma diferencial. Um viés que parece defensável caso a caso ainda pode ordenar estudantes sistematicamente: Entezami et al. (2026) fizeram três LLMs alocarem 11.200 atribuições de equipe em turmas de engenharia de software, onde homens tinham ao menos 80% menos probabilidade do que mulheres de chegar a Desenho de Interface em vez de Desenvolvimento Central (GPT-5.2 OR < 0,01) e a nacionalidade movia as atribuições independentemente do mérito. As habilidades não decidiram a questão — 99,2% das atribuições baseadas em habilidades correspondiam a uma das duas equipes válidas —, mas o gênero ainda escolhia entre opções igualmente válidas, de modo que apenas estatísticas agregadas revelam o padrão; imagens de curso de uma única pessoa penderam para masculino e de pele clara (mais de 95% de pele clara para os prompts de Banco de Dados, Depuração e Programação Individual), enquanto as imagens de múltiplas pessoas foram comparativamente diversas.
• Autonomia do estudante: garantir que a IA empodere, em vez de substituir, a voz do estudante e a autonomia, especialmente para estudantes historicamente marginalizados.
• Equidade psicológica versus cognitiva: Liang et al. (2026) constataram que um ano de instrução escolar em IA em escolas secundárias de Hong Kong estreitou as lacunas psicológicas de prontidão para a IA (confiança, motivação, consciência ética), mas não as cognitivas — as lacunas objetivas de letramento em IA entre estudantes autoiniciados ("de alta agência") e seus pares persistiram, um padrão de efeito Mateus em que os currículos "ergueram o piso, mas não nivelaram o campo de jogo". O acesso a um currículo por si só, sem engajamento autoiniciado sustentado, pode fomentar paridade psicológica, mas não cognitiva plena.
• Correção automatizada, desempenho e língua. A comparação da OpRaise entre três modelos de fronteira em 761 redações autênticas constatou que a discordância IA–humano variava com o nível de desempenho dos estudantes e com características superficiais da língua (amplitude de vocabulário, conectivos, complexidade de frases) de maneiras que a correção humana não apresentava, e que a precisão diferia entre três instituições do Reino Unido cujas turmas diferem — os autores conectam isso diretamente aos deveres das instituições sob a Lei de Igualdade do Reino Unido, com o raciocínio de que alguns grupos de estudantes podem ser afetados mais do que outros, e apontam um direito a explicação sob o Artigo 22 do GDPR onde decisões de correção automatizada afetam estudantes. Como as notas da IA comprimiram em direção ao meio da distribuição, os estudantes mais expostos são os que estão no topo e na base da faixa de desempenho.
• As regras de avaliação podem converter desvantagem linguística em risco de integridade. Li (2026) argumenta que as regras de integridade que tratam a GenAI como uma única categoria de assistência não autorizada impõem fardos de conformidade mais altos a estudantes que usam inglês como língua adicional, cujo uso legítimo de apoio linguístico é mais frequente e iterativo, e concentram a suspeita nos escritores cuja fluência superficial mais mudou — um problema de desenho de regras, e não de comportamento, e que aumenta o risco de aplicação seletiva com base em evidência fraca. A fronteira proposta é baseada em propósito e construto, em vez de baseada em ferramenta: edições de gramática, pontuação e clareza em nível de frase, tradução para compreensão, e primeira redação que o estudante reescreve substantivamente contam como apoio permitido porque não acrescentam novas ideias, novas fontes nem reordenação material da análise, ao passo que gerar argumentos ou contra-argumentos, aplicar regras disciplinares a fatos, reestruturar a sequência analítica ou gerar citações conta como substituição. Como as declarações de construto frequentemente recompensam fluência e idiomaticidade como proxies do raciocínio, estudantes EAL encontram variância irrelevante ao construto em suas notas; as saídas são especificidade ex ante sobre funções permitidas e proibidas, divulgação calibrada para que o apoio rotineiro custe menos de declarar do que uma entrada bibliográfica, submissões escalonadas e trilhas de fontes em vez de inferência conduzida por detecção, e monitoramento em nível de turma de encaminhamentos e sanções. O framework é normativo e não testado — Li não faz alegações sobre taxas de uso de GenAI por estudantes EAL.
• Os próprios estudantes julgam com precisão a linha apoio–substituição, mas hesitam. Reed et al. (2026) submeteram seis vinhetas éticas a 531 graduandos e constataram que 57,6% classificaram as seis corretamente (média 88,54%): usos apoiados por verificação foram amplamente aceitos — resumir notas com verificação do professor (91,7%), melhoria de gramática em um trabalho escrito por si (84,9%), termos de busca gerados por IA seguidos de uma revisão de literatura independente (91,1%) —, enquanto usos de substituição foram rejeitados de forma esmagadora. A incerteza se aglomerou nos casos que uma regra realmente precisa resolver, as referências geradas por IA não verificáveis (9,9% "em dúvida") e o texto gerado por IA minimamente editado (9,6%), o que os autores leem como evidência de que a fronteira entre assistência e autoria significativa não é clara para os estudantes. O letramento em IA objetivo previu a precisão da classificação apenas fracamente (ρ de Spearman = 0,234), a amostra era predominantemente branca, feminina e de primeiro ano em uma universidade pública do Meio-Oeste, e os autores ressaltam que julgamento correto não é conduta ética.
• Privilégio de prompt: Jin et al. documentam o "privilégio de prompt" — usuários que formulam pedidos com habilidade obtêm sistematicamente melhor produto dos LLMs do que usuários que expressam a mesma intenção com menos destreza —, tornando a habilidade de prompting um recurso silenciosamente desigual. O Prompt Equity Transformer deles desloca a otimização de prompt para dentro do sistema, tratando o produto equitativo como uma propriedade de acessibilidade, em vez de exigir prompting especializado de novatos.
• A lacuna de gestão da interação. Brunnström e Palmqvist (2026) chegam a uma conclusão ambivalente sobre a GenAI como nivelador: como o uso produtivo exige reconhecer uma resposta excessivamente abstrata, pedir simplificação e estruturar uma sessão em torno de pequenos objetivos, a GenAI sem orientação "pode ser mais benéfica para estudantes já favorecidos" — os que têm hábitos de estudo fortes e confiança para dirigir uma IA —, enquanto estudantes com hábitos de estudo mais fracos ou autoeficácia acadêmica mais baixa encontram complexidade e frustração acrescidas. Em vez de substituir parceiros de conversa acadêmica ausentes, a ferramenta introduz uma nova competência cuja aquisição cria sua própria lacuna; os autores concluem que a responsabilidade de ensiná-la não pode repousar sobre o estudante sozinho (Letramento em IA, Aprendizagem autorregulada).
• Os mecanismos de lacuna de habilidades e de lacuna de recursos não são o mesmo problema. Kumar, Wongsirichot e Nanthaamornphong (2026) separam dois mecanismos que sua revisão sistemática de 72 estudos de educação em computação constatou que a literatura tende a confundir. A lacuna de habilidades opera dentro de uma única sala de aula: estudantes com conhecimento prévio mais forte convertem a assistência da IA em habilidade durável, enquanto estudantes com dificuldade a usam como muleta que remove as dificuldades produtivas, ampliando a distribuição de competência até o fim do semestre — endereçada por acesso graduado atrelado à competência demonstrada. A lacuna de recursos opera entre instituições e contextos nacionais: internet confiável e assinaturas pagas de API sustentam uso de ferramentas mais capaz do que para estudantes sem elas — endereçada por investimento institucional em acesso compartilhado a ferramentas e políticas que não pressupõem disponibilidade universal. A equidade é o mais fino dos três requisitos de framework da revisão (seis estudos), e os autores leem essa magreza como o achado: a ausência de pesquisa de intervenção focada em equidade é ela própria o problema de equidade (Validade da avaliação, Andaime (Scaffolding)).
• Os métodos mais bem evidenciados são os menos escaláveis. Em um workshop com 73 educadores de computação, a avaliação oral e interativa foi relatada como a evidência mais forte disponível da compreensão individual e a saída menos escalável proposta — levantada em uma sala ao lado de mais de 400 estudantes e um punhado de assistentes de ensino —, de modo que as estratégias com o vínculo mais claro com a aprendizagem verificada ficam nas instituições que ensinam menos estudantes, uma lacuna de equidade entre instituições, e não dentro de uma turma (Akbar et al., 2026)).
• A qualidade da tutoria muda com a demografia do estudante. O EduFair-Bench pareia um estudante de LLM fixo com cada tutor ao longo de nove níveis demográficos abrangendo gênero, histórico de imigração, primeira língua e status socioeconômico, e pontua cinco métricas pedagógicas em nível de turno. Na tutoria por LLM, os maiores desvios aparecem em condições demográficas explícitas — o andaimento por passos correlacionando-se até |r| = 0,144 em matemática e o tom corretivo excedendo 0,10 para todos os modelos em química (0,102–0,168) e física (0,129–0,294) —, e em 11 das 15 células modelo-por-domínio a condição de resposta errada pontuou mais alto do que a correta, indicando que o tom rastreava o rótulo demográfico do estudante, e não a qualidade do raciocínio dele. A aprendizagem por reforço específica de pedagogia redistribuiu, em vez de remover, essas lacunas. (EduFair-Bench: Evaluating Pedagogical Fairness of LLM Tutors Across Student Demographics)
• Sinais demográficos implícitos são um canal de viés menos controlável do que atributos declarados. Rooein, Benedetto e Hovy (2026) mantiveram cada entrada de tarefa fixa enquanto variavam apenas o contexto demográfico ao longo de seis LLMs ajustados por instrução e três tarefas educacionais, produzindo 192.480 chamadas de inferência, e separaram os sinais explícitos (atributos declarados do estudante) dos implícitos carregados por um histórico de dez prompts de conversa. Na correção automatizada de redações, a maioria dos modelos foi comparativamente estável sob condicionamento explícito, enquanto o condicionamento implícito inflou as notas — a Llama-70B pontuou 1,57 pontos acima de seu próprio padrão (p < 0,001). Na resposta a questões metalinguísticas, a condição implícita derivou na direção oposta: respostas para níveis de educação mais baixos receberam sentimento menos positivo, uma lacuna média de 0,3 entre o nível de educação mais baixo e os mais altos em uma escala de 0–4, contra um desvio padrão intra-item de 0,07. A dificuldade de equidade é estrutural — a pista não é um atributo declarado que uma política possa proibir ou um campo de prompt que uma auditoria possa inspecionar, mas uma propriedade da própria interação.
• A verificação pode redirecionar um ganho para estudantes mais fracos. Dang & Nguyen (2026) constataram que materiais de estudo de IA verificados por especialistas em um curso de economia do primeiro ano foram associados a um ganho de 2,34 pontos, mas cerca de três quartos dele surgiram no quintil inferior, e a parcela de notas abaixo do limite de 60% caiu 24,7 pontos — deslocando o fardo da verificação dos estudantes para um tutor responsável.

Inclusão linguística, cultural e da deficiência

• Língua: a maioria das ferramentas de IA prioriza o inglês, marginalizando estudantes multilíngues. A diversidade linguística na escrita acadêmica, as línguas sub-representadas e a pesquisa em aprendizagem de línguas abordam isso.
• Cultura: a pedagogia culturalmente relevante e a AIED centrada na comunidade pedem uma IA que reflita os contextos culturais dos estudantes, em vez de impor normas dominantes.
• Deficiência e neurodiversidade: a aprendizagem acessível, o desenho universal, a neurodiversidade e a educação especial examinam como a IA pode apoiar ou excluir estudantes com deficiência — estudantes de computação neurodivergentes, estudantes com dislexia e materiais educacionais acessíveis são ilustrativos.
• Língua, cultura e custo juntos: Bashir e Afzal (2026) enquadram o desenho equitativo em IA de bem-estar como uma única questão de língua, cultura e custo — ferramentas apenas em inglês falham com estudantes que expressam angústia em urdu ou urdu romano, bases de dados ocidentais não capturam estressores localmente salientes, e sistemas comerciais caros falham com universidades menos bem equipadas (Sukoon). A resposta deles combinou um LLM multilíngue de código aberto acessado por uma API hospedada para baixos requisitos de recursos, uma interface de avaliação bilíngue e um classificador treinado em um instrumento validado de 20 características — ao mesmo tempo que reconhece que os dados de treinamento não são representativos da população-alvo, que "em algumas áreas... as ferramentas estão disponíveis, mas frequentemente são caras", e que a adaptação é em nível de prompt, e não validada com estudantes, um relato franco da lacuna entre a intenção equitativa e a equidade demonstrada.

Populações especiais e equidade global

• Populações especiais: educação especial, estudantes neurodivergentes, estudantes com dislexia e estudantes com deficiência representam grupos cujas necessidades são frequentemente negligenciadas no desenho de sistemas de IA.
• Perspectivas do Sul Global: as motivações de estudantes africanos, o planejamento de aula com IA vietnamita e a aceitação de professores de Gana fornecem perspectivas do Sul Global frequentemente ausentes da pesquisa ocidentocêntrica em AIED. No nível institucional, Adeniranye et al. (2026) mostram que a integração da IA em 45 universidades nigerianas é impulsionada pela idade e pela geografia da instituição, e não pelo tipo de governança, com laços de rede reforçadores permitindo que instituições bem conectadas acumulem vantagem — evidência de que as lacunas de equidade são reproduzidas estruturalmente, e não apenas por meio do acesso individual.
• Capacidade global: a evidência documenta como os benefícios da IA generativa são distribuídos de forma desigual entre países e instituições, e a política de IA e aprendizagem ao longo da vida aborda gradientes socioeconômicos estruturais.
• Interseção deficiência e Sul Global: Khlaif et al. (2026) — um estudo de caso qualitativo com 21 universitários com deficiência visual em três universidades palestinas — mostra a GenAI superando divisões digital, geográfica e socioeconômica ao mesmo tempo que estende os modelos de aceitação de tecnologia a contextos de deficiência, onde usabilidade, acessibilidade de custo e acessibilidade se reforçam mutuamente.
• Equidade de gênero na computação: os usos orientados à equidade da GenAI seguem pouco explorados. A iniciativa de makerspace de GenAI só para meninas na Europa combinou duas ferramentas de GenAI com a pedagogia feminista para abordar iniquidades de gênero persistentes na representação das meninas na computação, com praticantes encenando passos específicos para apoiar a participação e o engajamento das meninas — um exemplo de desenho de GenAI focado em equidade. Uma IA deliberadamente generificada também pode funcionar como a própria intervenção: Rücker e Becker-Genschow (2026) mostraram que um chatbot de matemática específico do domínio, codificado como feminino e modelado sobre a persona de Ada Lovelace (e implantado tanto como modelo quanto como assistente de aprendizagem), reduziu significativamente as crenças estereotipadas de gênero sobre habilidade matemática e sobre a matemática como domínio masculino entre alunos do nono ano — em ambos os gêneros, com aceitação tecnológica alta e neutra em termos de gênero. Isso reenquadra a representação como uma alavanca de desenho, e não apenas um viés a auditar: personas de IA sistematicamente desenhadas podem contrariar, em vez de meramente evitar reproduzir, o viés de gênero.

Implicações para a IA na educação

• A justiça é desenho, não pensamento posterior: a mitigação de viés e os algoritmos conscientes de justiça devem ser embutidos em tutores, corretores e recomendadores de IA, e avaliados quanto à equidade junto com a precisão.
• A infraestrutura é equidade: abordar a divisão digital e a infraestrutura de línguas sub-representadas é uma pré-condição para a IA equitativa, não uma preocupação secundária.
• A representação importa no conteúdo e na avaliação: os materiais curados por IA e a avaliação automatizada precisam refletir estudantes, culturas, línguas e sistemas de conhecimento diversos, e não penalizá-los.
• Pareie o acesso com apoio: fornecer ferramentas é insuficiente; os estudantes precisam de habilidades, condições e andaimento culturalmente relevante para se beneficiar.
• Alcance os públicos que a educação formal perde: o framework de Letramentos em IA para mídia de serviço público argumenta que a provisão continuará alcançando os já favorecidos, a menos que seja desenhada de outro modo, nomeia os jovens digitalmente ou de outra forma marginalizados como aqueles com menos oportunidades por meio da educação formal, e propõe parcerias direcionadas mais provisão de alcance nacional — e não publicação universal — como a saída.
• Política e governança: a política institucional de IA (política educacional de IA, governança) precisa embutir a equidade como princípio orientador.

Conceitos conectados

• Efeitos diferenciais entre grupos de estudantes
• Quem aprende — Estudantes: o guarda-chuva dos conceitos do lado do estudante
• Divisão digital — Acesso desigual a ferramentas e infraestrutura de IA ao longo das linhas socioeconômicas, regiões e nações
• Mitigação de viés — Métodos para detectar e corrigir viés em tutores, corretores e recomendadores de IA
• Acessibilidade — Desenho que torna as ferramentas de aprendizagem com IA utilizáveis por estudantes com deficiência
• Tecnologia assistiva — Ferramentas que apoiam estudantes com deficiência em contextos mediados por IA
• Pedagogia culturalmente relevante — Ensino que reflete os contextos culturais dos estudantes, em vez de impor normas dominantes
• Aprendizagem de línguas — Inclusão linguística de estudantes multilíngues e falantes de línguas sub-representadas
• Aprendizagem inclusiva — Aprendizagem acessível e equitativa para todos os estudantes
• Design universal para a aprendizagem — Desenhar para a variabilidade do estudante desde o início
• Neurodiversidade — Apoiar estudantes neurodivergentes na educação com IA
• Educação especial — Atender às necessidades de estudantes com deficiência no desenho de sistemas de IA
• Letramento em IA — As habilidades de que os estudantes precisam para se beneficiar da IA com equidade
• Política educacional de IA — Política institucional embutindo a equidade como princípio orientador
• Governança de IA — Supervisão e responsabilização por uma IA equitativa
• Autonomia de quem aprende — Garantir que a IA empodere, em vez de substituir, a voz do estudante
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (estudantes, professores, designers, administradores, formuladores de políticas)
• Pais e famílias
• Apoio e sucesso dos estudantes — quem os sistemas de apoio alcançam, e os riscos de agir sobre uma pontuação de risco

Artigos conectados

• Conceptualizing and developing second language teachers' multimodal assessment literacy in the GenAI era — Como o viés visual da GenAI entra na avaliação multimodal, e por que contra-narrá-lo é uma competência docente

• The Rented Self: How AI-Enabled Tools Decouple Performance From Becoming — O self alugado: aluguel pago em dinheiro, self e padrões, e licenças que terminam na formatura

• Verified, not generated: expert-verified AI study materials and the distribution of learning gains in a university course — Verificado, não gerado: materiais de estudo de IA verificados por especialistas e a distribuição dos ganhos de aprendizagem em um curso universitário

• Supporting AI Literacies for Young Adults Aged 14-19: A value-based, practical framework for public service media organisations — A equidade como problema de entrega: alcançar os jovens que a educação formal perde

• AI in University Assessment: Evaluating the Opportunities and Risks of Automated Marking — Relatório da OpRaise: correção por IA de 761 redações universitárias em três universidades do Reino Unido

• Generative AI in computing education: A systematic review and a framework for responsible integration — Lacuna de habilidades versus lacuna de recursos: dois mecanismos de equidade que exigem saídas diferentes

• AI-interaction literacy: reflections on how generative AI might be used to support self-regulated learning in higher education — A GenAI sem orientação pode ampliar as lacunas: a competência de gestão da interação (Brunnström & Palmqvist 2026)

• Institutional Structures, Digital Inequality, and AI Integration in Higher Education — Estruturas institucionais, desigualdade digital e integração da IA no ensino superior nigeriano

• Fairness-Aware Multimodal Transformer Modeling for Real-Time Student Attention Estimation — Modelagem consciente de justiça com transformer multimodal para estimativa da atenção do estudante em tempo real

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — A educação em IA na escola estreita lacunas psicológicas, mas não cognitivas, de prontidão

• Same Question, Different Answer? Measuring and Mitigating Prompt Privilege for Equitable AI Access — Prompt Privilege: mensurando e mitigando disparidades de acessibilidade no acesso a LLMs

• AI-based scoring systematically underestimates conceptual understanding of linguistically weak students' explanations in physics — Viés de língua na pontuação baseada em IA

• Contaminated Collaboration: Measuring Gender Bias Transfer in LLM-Assisted Student Writing — Transferência de viés de gênero na escrita assistida por LLM

• Generative artificial intelligence and the marginalization of minoritized knowledges in higher education — IA generativa e a marginalização de conhecimentos minorizados

• Structural Silence: When AI Infrastructure Fails Speakers of Underrepresented Languages — Silêncio estrutural: línguas sub-representadas na infraestrutura de IA

• Generative AI in Higher Education: A Systematic Review of Opportunities, Challenges, and Pedagogical Innovations (2022–2025) — GenAI no ensino superior: revisão sistemática

• Artificial Intelligence in Lifelong Learning: Opportunities and Challenges in Adult Education Policy — IA e política de aprendizagem ao longo da vida

• Does generative AI narrow education-based productivity gaps? Evidence from a randomized experiment — A IA generativa estreita as lacunas de produtividade baseadas na educação?

• Generative AI and linguistic diversity in academic writing and publishing: Perspectives from World Englishes — Diversidade linguística na escrita acadêmica mediada por IA

• Access is Not Enough: Human Support Improves Engagement with AI Tutoring — O acesso não basta

• Bridging the Gender Gap in STEM Education with AI: Female-Coded Chatbot as Role Model and Learning Assistant — Chatbot codificado como feminino como modelo reduzindo estereótipos de gênero em matemática

• The Paternalistic Filter: Epistemic Injustice and Differential Refusal in LLM-Mediated History Education for Marginalized Romanian Students — Filtragem paternalista na educação em história baseada em LLM

• DysLexLens: A Low-Resource LLM Framework for Analysing Dyslexic Learners Insights from Online Forums — DyslexLens: apoio de IA para estudantes com dislexia

• Modernizing Ground Truth: Four Shifts Toward Improving Reliability and Validity in AI in Education — Confiabilidade da ground-truth na AIED

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: viés de feedback alinhado a estereótipos ao longo dos atributos dos estudantes

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — A IA consegue oferecer apoio apropriado a perfis diversos de estudantes? Uma avaliação em larga escala

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Workshops de makerspace de GenAI só para meninas e equidade de gênero na computação

• Assistive Generative AI for Visually Impaired Learners: Personalization and Inclusion in Higher Education — GenAI assistiva para estudantes com deficiência visual

• An AI-Powered Culturally Aware Chatbot for Stress Detection and Wellness Support among Pakistani University Students Using NLP and Machine Learning — Um chatbot culturalmente consciente movido por IA para detecção de estresse e apoio ao bem-estar entre estudantes universitários paquistaneses usando PLN e aprendizado de máquina

• The Role of Implicit and Explicit Demographic Signals in Large Language Model-based Student Assessment — Sinais demográficos implícitos (histórico de conversa) deslocam a pontuação, o feedback e as respostas dos LLMs (Rooein, Benedetto & Hovy 2026)

• The AI Challenge: How college faculty assess the present and future of higher education in the age of AI — 1.057 professores dos EUA sobre o presente e o futuro da IA: 81% esperam iniquidades digitais maiores, 26% não usam as ferramentas

• GenAI assessment and language equity: Drawing the line between support and substitution — Traçando a linha apoio–substituição: regras de avaliação com GenAI e o fardo de conformidade dos estudantes EAL

• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — O direito de recusar é distribuído de forma desigual: a recusa como evidência de falta de preparação institucional (Zagami 2026)

• AI literacy and scenario-based ethical judgment about generative AI among undergraduate students — Julgamento ético baseado em cenários e letramento em IA entre 531 graduandos

• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: tutoria com IA e tutoria humana produzem ganhos de aprendizagem equivalentes no GRE

• AI Can Do Your Homework. Now What? Report from an online workshop on computing assessment in the age of generative AI — A IA consegue fazer sua lição de casa. E agora? Relatório de um workshop on-line sobre avaliação em computação na era da IA generativa

• Generative AI May Reinforce Social Biases in Software Engineering Education — A IA generativa pode reforçar vieses sociais na educação em engenharia de software

• Teacher Mediation and the Contingent Promise of Generative AI in Mathematics Education — Lacuna de precisão entre modelo gratuito e premium em matemática: 32,7% contra 12% (Canonigo 2026)

• The Impact of Generative Artificial Intelligence on Learning Outcomes in Higher Education: A Meta-Analysis — Ganhos de aprendizagem agregados da GenAI (g=0,53) e o acesso iníquo a ferramentas de alto custo que eles não conseguem capturar

• Reimagining mathematics education through intelligent tutoring: evidence, opportunities, and implementation challenges — Revisão de tutoria com IA em matemática que constata alegações de inclusividade e de redução de lacunas de desempenho sem sustentação

• Differentiated human-AI tutoring is evidence that hybrid models can narrow gaps — when allocation follows need. A difference-in-discontinuities study (635 students, grades 5–8; below-median performers received proactive human tutoring, above-median received reactive on-demand support, against a fall AI-only baseline) found hybrid tutoring raised time on task 25%, skill proficiency 36%, and academic growth 61% overall — and the two arms achieved comparable engagement and proficiency gains through different mechanisms. The equity-relevant detail: proactive tutoring showed marginally higher average growth (75%, p = .065) concentrated among students farther below the cutoff — the pattern of gap compression rather than uniform lifting — while one tutor per session served both groups. The authors are appropriately cautious: the DiDC design is quasi-experimental, the dichotomous median cutoff misses within-group need variation, and the 75% effect is marginal. (Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs)

• Recognition, not just access: AI's cultural flatness as an equity finding: In a 9-month narrative inquiry with five secondary-school apprentices of color, Gyekye (2026) found students equated fairness with the absence of visible bias — a "cultural flatness" in which identity-specific experiences and cultural markers go unrepresented in AI responses — and constructed agency through refusal (non-use as institutional alignment) and negotiation (making AI outputs institutionally legible). The study's Recognition Bandwidth concept names the room learners have to see themselves in AI outputs, and Institutional AI Literacy the capacity to navigate AI within institutional expectations. A five-student single-program qualitative study; its equity contribution is showing that neutrality-as-fairness can itself be the exclusion mechanism.

• Who benefits from an AI tutor — exploratory field evidence: In a full-district rollout of a teacher-mediated AI math platform, Goblins (Alam et al. 2026) found larger achievement associations for students with IEPs (+0.122 SD), English learners (+0.191 SD), and Hispanic students (+0.084 SD) than for comparison groups, consistent with its multimodal input and seven-language voice support lowering engagement barriers. The authors are explicit that the exploratory, underpowered subgroups cannot establish that the accessibility features caused the differential — an early, hypothesis-generating signal rather than an equity finding.

• Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs — Improving hybrid human-AI tutoring by differentiating human tutor roles based on student needs (Gurung et al. 2026)

• Teacher-Mediated Multimodal Platform and Math Achievement: Evidence from Goblins' Yearlong District Implementation — District AI-math rollout with larger exploratory associations for IEP, English-learner, and Hispanic students (multimodal/multilingual supports; causality untested)

• Constructing Selves in AI-Mediated Apprenticeship Learning: Students of Colour's Narratives of Agency, Recognition and Negotiation — Apprentices of color equated fairness with cultural flatness; agency constructed through refusal and negotiation; Recognition Bandwidth and Institutional AI Literacy