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

Letramento em feedback

Criado 2026-08-15 · Atualizado 2026-10-08

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

Letramento em feedback — as capacidades e disposições que os estudantes precisam para compreender, avaliar e agir sobre o feedback e melhorar sua aprendizagem. É a contraparte de quem aprene à provisão de feedback: enquanto a qualidade do feedback por IA e o Loop de Feedback dizem respeito à qualidade e à mecânica do sistema de feedback, o letramento em feedback diz respeito à capacidade de quem aprene de buscar, dar sentido, julgar e usar o feedback de forma produtiva.

Perguntas para refletir

  • Um feedback bem desenhado só ajuda estudantes que conseguem interpretá-lo e agir sobre ele. Se dois estudantes recebem feedback idêntico e aprendem quantidades diferentes, onde a diferença mora — e a culpa é do estudante ou do sistema?
  • A pesquisa conclui que estudantes com letramento em feedback mais forte se beneficiam mais do feedback por IA, enquanto estudantes com letramento mais fraco mostram efeitos mínimos ou até negativos. O que isso sugere sobre simplesmente acrescentar feedback por IA a um curso sem também construir a capacidade dos estudantes de usá-lo?
  • O letramento em feedback inclui buscar feedback, fazer julgamentos, gerenciar afeto e agir sobre o feedback — e não apenas recebê-lo. Quando foi a última vez que você buscou feedback em vez de esperar por ele, e o que o tornou corajoso o bastante (ou não) para fazer isso?
  • Se a IA agora consegue gerar feedback abundante e instantâneo, o gargalo se deslocou da provisão de feedback para a capacidade de quem aprene de usá-lo? O que poderia mudar na forma como você desenha o feedback se você visse o letramento em feedback dos estudantes como a restrição real?

Introdução

O letramento em feedback importa porque um feedback bem desenhado só ajuda estudantes que conseguem interpretá-lo e agir sobre ele. Um estudante que não consegue avaliar se um feedback gerado por IA é preciso, ou que não sabe como transformar feedback em uma revisão concreta, aprende muito menos com o mesmo feedback do que um par mais letrado em feedback. À medida que a IA ressignifica a provisão de feedback, o letramento em feedback se tornou uma condição de contorno central para que o feedback por IA melhore a aprendizagem.

O que é letramento em feedback

O letramento em feedback é amplamente enquadrado como um conjunto de capacidades inter-relacionadas — a capacidade de apreciar o feedback, fazer julgamentos, gerenciar afeto e agir (segundo Carless & Boud). Os artigos da base de conhecimento agrupam o letramento em feedback em torno de várias capacidades:

  • Buscar e elicitar feedback — pedir feedback de forma proativa, em vez de recebê-lo passivamente.
  • Fazer julgamentos — avaliar a precisão e a utilidade do feedback, incluindo o feedback produzido por IA.
  • Dar sentido — interpretar o feedback em relação às metas e aos critérios da tarefa, e compreender o que ele implica para a melhoria.
  • Gerenciar afeto — engajar-se produtivamente com o feedback sem ser desencorajado ou inflacionado demais por ele.
  • Agir sobre o feedback — traduzir o feedback em revisões concretas ou mudanças de abordagem (Loop de Feedback, aprendizagem autorregulada).
  • Julgar a autoridade avaliativa — uma capacidade adicional proposta por AlGhamdi (2026): além de apreciar o feedback, fazer julgamentos, gerenciar afeto e agir, estudantes que raciocinam sobre feedback produzido por IA precisavam julgar qual fonte detém a autoridade avaliativa, separadamente de julgar a qualidade do feedback. Como foi dito aos participantes que o ChatGPT gerava tanto a nota quanto o feedback, seu letramento em feedback foi exercido sobre a fonte e a legitimidade da avaliação, e não apenas sobre seu conteúdo, e isso produziu demandas de validação pelo instrutor, em vez de aceitação passiva.

Como o letramento em feedback aparece na pesquisa

  • O letramento em feedback como moderador do valor do feedback por IA: Mendoza et al. (2026) mostram que o letramento em feedback modera a ligação entre a aceitação do ChatGPT e a aprendizagem autorregulada: estudantes com letramento mais forte percebem maior benefício de ARS no feedback por IA, enquanto estudantes com letramento mais fraco mostram efeitos mínimos ou até negativos (dependência excessiva). O letramento em feedback é uma condição de contorno para que os estudantes consigam "dar sentido" ao feedback por IA.

  • O letramento em feedback como via do uso da GenAI para o pensamento crítico: em 421 estudantes de graduação chineses, a associação do uso de GenAI com o pensamento crítico autorrelatado passava quase inteiramente pelo letramento em feedback em GenAI (β=0,185, 71,98% do efeito total), e essa via se fortalecia à medida que o pensamento reflexivo subia (índice de mediação moderada = 0,030) (Yan et al. (2026)).

  • O letramento em feedback prediz a aprendizagem na escrita assistida por IA: Hawkins et al. (2026) concluem que o letramento em feedback foi o único preditor positivo significativo da nota na redação em uma tarefa de redação aprimorada por IA, enquanto Liu & Deris (2025) desenvolvem e validam uma escala de Letramento em Feedback por IA (AIFL) e mostram que ela prediz a incorporação do feedback.

  • Frameworks para GenAI engajamento com feedback: Zhan, Boud, Dawson & Yan (2025) (Boud e Dawson são estudiosos líderes em letramento em feedback) argumentam que a GenAI pode viabilizar o engajamento dos estudantes com o feedback, mapeando um modelo cíclico de feedback de autoregulação nas fases de eliciar, processar e enactar.

  • O feedback por IA chega sem o enquadramento do professor: Brunnström e Palmqvist (2026) argumentam que a GenAI torna o letramento em feedback mais exigente, porque as respostas são geradas de forma interativa e sem o enquadramento imediato de um professor: os estudantes precisam interpretá-las, avaliá-las, engajar-se com elas e usá-las — incluindo decidir quando uma resposta é abstrata demais, quando persistir e quando voltar aos recursos convencionais. Ao longo da demonstração de oito trocas deles, a simplificação e a estrutura utilizável apareceram apenas depois de intervenções de quem aprene, tornando o ciclo de eliciar/processar/enactar do engajamento com feedback algo que o estudante precisa dirigir (Zhan, Boud, Dawson & Yan mapearam esse ciclo para a GenAI; aprendizagem autorregulada).

  • O letramento em feedback na escrita assistida por IA e no EAP: os scripts de letramento em feedback e os mecanismos de segundo avaliador treinam os estudantes a engajar-se criticamente com o feedback por IA durante a revisão da escrita, deslocando a revisão rumo à melhoria no nível do argumento, em vez de edições superficiais.

  • Ferramentas automatizadas de feedback para o desenvolvimento do letramento: Tubino & Adachi (2025) argumentam que as ferramentas de feedback automatizado por IA deveriam ser reenquadradas como instrumentos para desenvolver o letramento em feedback dos estudantes, e não apenas para fornecer mais feedback.

  • Feedback de pares e letramento em feedback: Irwin & Muller (2025) posicionam a GenAI dentro do feedback de pares em EFL para treinar o letramento em feedback e viabilizar a incorporação em aulas de fala, e os estudos de andaimento comparam GenAI versus pares humanos no fomento do feedback autorregulado.

  • Feedback armazenado como dado durável e consultável. Parear o ChatGPT com um portfólio eletrônico elevou o desempenho em fala e o letramento em feedback juntos (η² parcial = 0,218 para este último), à medida que os estudantes tratavam o feedback arquivado do docente, dos pares e da IA como dados a conciliar, e não como uma correção pontual (Laksana et al. (2026)).

  • O letramento em feedback nos learning analytics e nos painéis de GenAI: Jin et al. (2025) examinam como os estudantes percebem o feedback dos learning analytics movidos por GenAI a partir de uma perspectiva de letramento em feedback.

  • O letramento em feedback como meta do letramento em IA e do desenho da avaliação: Richmond & Nicholls (2025) usam uma avaliação de processo sobre artefato em que os estudantes criticam a saída do ChatGPT contra uma rubrica para construir letramentos em feedback, psicológico e em IA juntos; o feedback de IA centrado em quem aprene e o desenho de feedback cuidadoso ligam a qualidade do feedback à capacidade de quem aprene de se engajar.

Por que o letramento em feedback importa para a IA na educação

A IA muda o feedback em duas direções que ambas elevam as apostas do letramento em feedback. Primeiro, a IA aumenta drasticamente o volume e a imediatez do feedback (qualidade do feedback por IA, Loop de Feedback), de modo que os estudantes confrontam muito mais feedback que precisam triar e avaliar. Segundo, o feedback gerado por IA carrega riscos distintos — imprecisão, alucinação e a "ilusão de domínio" — que exigem habilidades de avaliação crítica e vigilância contra a dependência excessiva e a atribuição equivocada. O letramento em feedback se torna, portanto, um componente central do letramento em IA: saber não apenas como fazer prompting de uma IA para obter feedback, mas como julgar se o feedback vale a pena ser acatado e como convertê-lo em aprendizagem genuína, em vez de conclusão de tarefa.

Bearman e colegas (2026) acrescentam mais uma demanda a essa lista. No estudo de oficina deles, os estudantes não estavam gerenciando uma fonte de feedback, mas uma rede: pesavam os comentários dos educadores contra a saída da IA, as rubricas, os materiais do curso e os pares, e, quando o feedback humano era lento, continuavam trabalhando com a IA como solução provisória, revisando depois caso ela os tivesse enganado. Os autores sugerem que os estudantes podem agir como seu próprio humano-no-circuito ao gerenciar essas relações, da tarefa granular à trajetória mais ampla, o que é, ele mesmo, uma capacidade de letramento em feedback. O aviso deles é que são os comentários finos ou tardios dos educadores o que empurra os estudantes rumo a fontes não verificadas.

Conexões com conceitos relacionados

O letramento em feedback se conecta à qualidade do feedback por IA e ao Loop de Feedback (o lado da provisão que ele complementa), à avaliação formativa (o ciclo de avaliação que ele alimenta) e à aprendizagem autorregulada (a autoavaliação e a adaptação que ele apoia). É um subconjunto do letramento em IA quando aplicado ao feedback gerado por IA, cruza-se com a avaliação por pares em contextos colaborativos e é particularmente consequente para a educação em escrita. Também se conecta à metacognição e à calibração da confiança — a capacidade de julgar se um feedback é confiável.

Agir sobre o feedback não é o mesmo que melhorar o artefato. Entre 22 professores pré-serviço de matemática, a aceitação seletiva do feedback de IA e de pares foi a norma (32 de 44 episódios), mas apenas cinco melhoraram a qualidade da tarefa que desenharam — uma lacuna de tradução que os autores atribuem ao julgamento avaliativo, e não à incorporação (Oh, 2026)).

Conceitos conectados

Artigos conectados

Perguntas frequentes relacionadas

Metadados

DisciplinaWriting Education
Aprendizagem e ensinoAprendizagem autorregulada
Avaliação e mediçãoQualidade do feedback de IA, Retroalimentação (Feedback), Letramento em feedback, Avaliação formativa, Avaliação entre pares
Fundamentos da IA na educaçãoLetramento em IA
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.