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

IA generativa

Criado 2026-08-09 · Atualizado 2026-10-03

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

IA generativa — sistemas de IA capazes de produzir texto, código, imagens e outros conteúdos, sendo os mais proeminentes os grandes modelos de linguagem como GPT-4 e Claude. A IA generativa é a tecnologia que impulsiona a atual onda de pesquisa em IA na educação (Métodos de pesquisa em AIED).

Perguntas para refletir

  • A IA generativa produz conteúdo fluente e de som confiante sob demanda. A fluência equivale à correção, e onde você já viu um produto confiante mas errado — o que o tornou difícil de detectar?
  • Diferentemente de sistemas anteriores baseados em regras ou em recuperação, os modelos generativos criam conteúdo novo em vez de recuperar respostas armazenadas. Como essa mudança altera os riscos — alucinação, excesso de confiança, integridade acadêmica — em comparação com um motor de busca?
  • Com mais de 80 artigos, a IA generativa é o maior fio desta base de conhecimento, abrangendo tutoria, avaliação, geração de conteúdo e segurança. Qual aplicação você acha mais promissora para a aprendizagem, e qual a mais perigosa — e por quê?
  • A mesma tecnologia que pode gerar uma tutoria socrática também pode produzir uma "armadilha da resposta correta" que incentiva a cópia. Que escolhas de desenho poderiam separar a IA generativa que andaimenta a aprendizagem daquela que a atalha?

Introdução

O que torna a IA generativa diferente para a educação

Diferentemente de sistemas anteriores baseados em regras ou em recuperação, a IA generativa produz conteúdo fluente e contextualmente apropriado sob demanda. Isso cria tanto oportunidades sem precedentes quanto riscos inéditos:

  • Geração de conteúdo: os LLMs podem criar materiais instrucionais, exemplos e explicações. Livros didáticos sintéticos, vídeos adaptativos e vídeos instrucionais mostram a amplitude da geração de conteúdo educacional.

  • Rascunhos de planejamento de aula que dependem da plataforma e da língua. A avaliação especializada de planos de aula de ciências gerados por IA mostra que a qualidade do conteúdo não é uniforme nem neutra. Karaismailoglu, Surmeli e Yildirim (2026) pediram a onze especialistas em educação em ciências que pontuassem o ChatGPT-4 e uma ferramenta focada em educação (Teacher's Buddy) contra os estágios de Aprendizagem Baseada no Desenho de Engenharia do sexto ano: a plataforma focada em educação superou a de propósito geral em todos os oito critérios de qualidade, mas 7 de 11 especialistas ainda assim avaliaram os planos como apenas "aplicáveis com correção". Ambas as plataformas geraram produto pedagogicamente mais rico a partir de prompts em inglês do que em turco, mesmo quando solicitadas a localizar para Mersin, Turquia — uma preocupação de equidade digital em que a língua do prompt molda a qualidade instrucional.

  • Tutoria e diálogo: os sistemas de tutoria com IA usam a IA generativa para instrução conversacional. O diálogo socrático e a tutoria colaborativa exploram as capacidades generativas para a interação pedagógica.

  • Pacientes simulados e consistência de caso. Um corpus anotado por múltiplos especialistas com 4.815 mensagens de estudantes-IA da plataforma MeduAI-SP (Yang et al., 2026) constatou que apenas cerca de 0,68% das respostas de pacientes padronizados geradas por LLM continham problemas claros de fidelidade, e a divulgação progressiva foi avaliada como clinicamente apropriada em cerca de 99,3% das mensagens de pacientes. Isso sustenta a alegação de que pacientes simulados com IA generativa conseguem manter a consistência do caso e a divulgação dependente da investigação e não prematura sob script YAML estruturado (qwen-max), tornando-os um ambiente estável o bastante para pesquisa de resultados, e não apenas para demonstrações de plausibilidade — embora o sistema deliberadamente retivesse diagnósticos e notas somativas durante a aprendizagem.

  • Avaliação: a correção de redações, a correção automatizada e a avaliação formativa dependem cada vez mais de modelos generativos. Os benchmarks corroboram essa mudança para o trabalho aberto: Pecuchova, Benko & Drlik (2025) constataram que modelos de GenAI sensíveis ao contexto (GPTo1 alcançando concordância quase perfeita com corretores humanos) superaram fortemente as abordagens anteriores baseadas em embeddings de frases na correção de respostas abertas de estudantes, que dependiam de correspondência rígida com referências e classificavam erroneamente respostas válidas redigidas de outra forma. Olvet et al. (2026) estendem isso à educação médica pré-clerkship, onde a pontuação do GPT-4 de questões abertas alcançou concordância interavaliadores substancial a quase perfeita com o corpo docente (kappa ponderado de até 0,94) — mas apenas depois que humanos refinaram iterativamente a rubrica ao longo de três rodadas e permaneceram no circuito para arbitrar discrepâncias —, enquanto a questão mais sintética, de rubrica holística, travou em moderada (κw = 0,54). Essa é uma evidência de que a confiabilidade da avaliação generativa é moldada tanto pela engenharia humana de rubricas e pela análise de padrões de erro quanto pelo modelo bruto. Ainda assim, a mesma fluência não se generaliza entre tipos de item: Falahat et al. (2026) constataram que o ChatGPT-5 igualou o corpo docente humano em itens objetivos de provas de farmácia (CCC 0,935–1,000), mas não em itens de resposta curta (≈0) nem de redação (0,341–0,854), e uma rubrica estruturada não fechou a lacuna de forma confiável.

  • Riscos: a alucinação, o excesso de confiança na IA, o descarregamento cognitivo e as preocupações de integridade acadêmica surgem especificamente da fluência e da acessibilidade da IA generativa.

  • Um problema de segurança da aprendizagem além da qualidade do produto. Rahimi (2026) argumenta que a IA generativa pode elevar a qualidade do trabalho de um estudante enquanto realiza o trabalho cognitivo que ele precisa fazer, então a segurança deveria ser julgada pela trajetória do desenvolvimento humano — a Segurança da Aprendizagem protegendo competências e a Solidez da Aprendizagem apoiando seu desenvolvimento —, e não pela precisão, o viés ou a privacidade.

  • As alegações de eficácia mensuram desempenho, não aprendizagem. A maior estimativa do campo — uma meta-análise de 69 estudos que reporta g = 0,7 para o ChatGPT e ferramentas similares — agrega o sucesso imediato na tarefa em vez da retenção atrasada e sem assistência, então não é evidência de que a IA generativa produza aprendizagem (Yan et al., 2025).

  • Geração de ambientes de aprendizagem: modelos generativos especializados agora transformam um briefing de curso diretamente em artefatos de aprendizagem acabados. O CogEvol (Tu et al. 2026), uma família de modelos treinados para geração em passagem única de slides estruturados e páginas HTML interativas autossuficientes, conclui um slide em uma mediana de 17 segundos e uma página interativa em 59 — substituindo minutos de agente e andaimento em múltiplos turnos. A confiabilidade é imposta por um pipeline de produção que converte falhas reais em 53.687 amostras de SFT verificadas, mais uma recompensa híbrida de regras-mais-VLM para a RL baseada em GRPO. Isso posiciona a IA generativa como um motor de autoria de conteúdo, com implicações para os fluxos de trabalho de produção do professor e do currículo, e para avaliar se os ambientes de aprendizagem gerados por IA são funcional e pedagogicamente sólidos, e não meramente polidos visualmente.

Um censo do uso de ferramentas por educadores mostra a atenção concentrada na produção, e não na instrução: ferramentas de imagem, áudio, vídeo e apresentação compunham cerca de metade das 50 ferramentas nomeadas por 211 educadores em nove países, enquanto as ferramentas de tutoria e chatbot formavam o menor grupo voltado ao ensino (Bower, Torrington & Lai (2026)).

A cobertura de IA generativa da base de conhecimento

Com mais de 80 artigos, a IA generativa é o maior fio de tecnologia da base de conhecimento. A pesquisa abrange estudos de eficácia (meta-análises), preocupações de segurança (danos dos tutores, salvaguardas) e princípios de desenho (orientação instrucional).

Agregados ao longo de 53 estudos, a educação assistida por GenAI superou as abordagens sem GenAI em desempenho (g = 0,40), pensamento de ordem superior (g = 0,72), motivação (g = 0,81) e escrita (g = 0,76), embora a GenAI assistida por jogos não tenha acrescentado benefício significativo (g = 0,24) (Dong (2026)).

Uma meta-análise separada de 42 estudos apenas sobre motivação coloca o efeito agregado mais baixo (g = 0,764) e reporta um intervalo de predição de 95% abrangendo [−0,689, 2,217], então a vantagem motivacional não é confiavelmente positiva para um novo contexto (Fang et al. (2026)).

A IU generativa é a capacidade mais nova desse fio: modelos que emitem um artefato interativo funcional — controles deslizantes, simulações manipuláveis — em vez de prosa. Kovshov et al. (2026), uma equipe do Google Research, reportam que a IU generativa de prateleira ainda não é pedagogicamente precisa o bastante para construtos complexos, mas que decompor um objetivo de aprendizagem em metas progressivas niveladas e envolver a geração em ciclos de crítica e automelhoria produz interativos que professores especialistas avaliam como aceitáveis. O deles é um desenho de orquestração: professores enunciam objetivos, os aprovam e selecionam entre simulações candidatas, de modo que a restrição vinculante sobre o material interativo de aprendizagem feito sob medida se desloca da produção para a especificação, e as salvaguardas pedagógicas são embutidas no pipeline de geração, em vez de deixadas à vigilância posterior do professor.

Além desses fios centrais, trabalhos recentes estendem a base de evidências por contextos institucionais, de interação e de domínio. Qin (2026) documenta como a Universidade Lingnan institucionalizou o letramento em GenAI para todos os graduandos como parte de uma transformação digital de artes liberais. Chang e Li (2026) mostram que as conversas estudante-IA codificam engajamento cognitivo associado à disciplina, com ~62% dos prompts refletindo demanda cognitiva de ordem superior. Neto e colegas (2026) revisam sistematicamente a GenAI na educação em saúde baseada em cenários, constatando que o desenho de prompt funciona como especificação instrucional, mas raramente é alinhado a frameworks instrucionais (34,8%) ou reportado em detalhe reproduzível (34,8%). A GenAI também alimenta simulações de role-play de estudantes para a formação de professores baseada na prática: Zhuang e Zhang (2025) construíram o Student GPT, um chatbot de ChatGPT personalizado que simulava um estudante do ensino fundamental sustentando ideias equivocadas comuns de raciocínio proporcional, dando a professores de matemática em formação prática acessível e específica de conteúdo no diagnóstico do pensamento do estudante — evidência de que o desenho de prompt (um prompt fundamentado na literatura eliciouva confiavelmente os erros conceituais-alvo, 0,98 contra 0,40) pode conduzir um modelo generativo de prateleira para uma persona pedagógica útil.

Uma revisão sistemática de educadores de línguas (Li et al. 2026) constata que os educadores valorizam a GenAI principalmente pelo trabalho preparatório de conteúdo — planejamento de aula, criação de materiais e apoio à escrita —, enquanto hesitam quanto ao uso ao vivo em sala de aula, com preocupações centradas na integridade acadêmica (plágio e validade da avaliação), no deslocamento profissional e no tecnoestresse; a adoção é moldada por fatores de identidade profissional, pedagógicos, técnicos, institucionais e de integridade, e as lacunas de competência se mapeiam em episteme, techne e phronesis.

A geração de conteúdo também alcança, além da matemática, a cocriação de recursos de aprendizagem com professores — por exemplo, andaimentos de simulação cocriados por professor e IA para a aprendizagem STEM com drones, que preservam a validade pedagógica e a relevância contextual. Na educação artística STEAM para crianças, Luo e Tahir (2025) quantificaram experimentalmente os ganhos dos planos de aula assistidos por ChatGPT sobre os gerados por professores (mediana avaliada por especialistas 20,5 contra 17,6, p = .002, efeito grande) — mas o mesmo estudo documenta que o produto fluente carrega modos de falha reais para a geração em sala de aula: planos idealizados ou impraticáveis para o ensino cotidiano, restrições de segurança infantil negligenciadas (por exemplo, sugerir facas de escultura para a infância), viés cultural ocidentocêntrico e geração logicamente falha ou irrelevante de imagens e recursos. A contribuição é um framework de prompt (Papel–Instruções–Objetivo Final mais uma rubrica de qualidade de "quatro pontos e uma linha") que transforma a questão da confiabilidade: de saber se o modelo consegue gerar para como os prompts e os critérios de avaliação precisam restringi-lo para o uso pedagógico. Os usos orientados à equidade seguem pouco explorados; uma 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 participação em computação, analisando imagens geradas por GenAI pelas meninas e reflexões das partes interessadas. Aplicações assistivas e inclusivas são um fio crescente: Khlaif et al. (2026) — um estudo de caso qualitativo com 21 universitários com deficiência visual na Palestina — constataram que a GenAI ajusta ritmo, conteúdo e formato de entrega a perfis individuais de aprendizagem, simplifica textos acadêmicos complexos e converte conteúdo entre modalidades, com os estudantes a vendo como complemento, e não substituição, dos professores.

  • A IA generativa como agente pedagógico no letramento crítico em mídia no ensino fundamental. Demir e Akar (2026) operacionalizam o modelo instrucional 5E com ferramentas de IA generativa (ChatGPT para questões reflexivas e Q&A, Grammarly e Canva AI para refinamento de conteúdo, Padlet para feedback entre pares) incorporadas fase por fase, e não como extras isolados, em um programa de letramento crítico em mídia de 18 horas para estudantes turcos do quarto ano, alinhado aos currículos de Língua Turca e Estudos Sociais. O grupo apoiado por IA mostrou grandes ganhos em leitura de mídia (+3,50), escrita (+1,67) e letramento total em mídia (+5,17, todos p < .01), com tamanhos de efeito entre grupos de d de Cohen = 1,12 (leitura), 1,18 (escrita) e 1,31 (letramento total), enquanto o grupo de controle avançou apenas modestamente. A análise qualitativa expôs seis domínios de crescimento em letramento crítico em mídia — autoproteção digital e privacidade de dados, uso de mídia proposital e responsável, comunicação segura e consciência de limites, avaliação crítica e consciência de desinformação, consciência de riscos on-line, e ética da mídia/cidadania digital —, ilustrando como a IA generativa pode ser desenhada dentro de um currículo como um agente pedagógico andaimentado que cultiva a avaliação crítica, em vez de atalhá-la.

A IA generativa em domínios especializados: apoio à dislexia

Uma revisão sistemática interdisciplinar de 2026 (Dabaghi, D'Urso & Sciarrone, guiada pela PRISMA, 2018–2024, n=72) constata que a IA generativa é subutilizada no domínio do apoio à dislexia. A pesquisa em GAI (toda de 2024) se agrupa em chatbots inteligentes, apoio à formação de professores e estudos exploratórios, e está rapidamente ultrapassando o ML clássico como ferramenta de escolha — mas a experimentação rigorosa e a validação no mundo real seguem em grande parte ausentes. A análise de tendências futuras da revisão aponta para materiais personalizados e feedback adaptativo em tempo real movidos por GAI, modelos diagnósticos multimodais integrando rastreamento ocular, EEG e analítica comportamental, sistemas de tutoria inteligente e agentes conversacionais movidos por PLN, e ferramentas de apoio voltadas a educadores. Isso ilustra tanto a promessa da IA generativa para geração de conteúdo e apoio interativo em um domínio especializado e de alta necessidade quanto o risco de que sua adoção supere a base de evidências.

Conceitos conectados

Artigos conectados

Metadados

Tecnologias e técnicasTutoria inteligente, Grandes modelos de linguagem (LLMs), Engenharia de prompts, RAG (Geração Aumentada por Recuperação)
Equidade, ética e uso responsávelRisco de alucinação
Fundamentos da IA na educaçãoLetramento em IA, Descarregamento cognitivo
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.