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

Sul Global

Criado 2026-08-18 · Atualizado 2026-09-30

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

O Global South (Sul Global) refere-se aos países da África, Ásia, América Latina e Oceania que costumam ser marginalizados econômica, política e historicamente em relação ao Global North (Norte Global). Na pesquisa em IA na educação, os contextos do Sul Global são cada vez mais reconhecidos como sub-representados na base de evidências, mas levantam questões distintivas sobre equidade, relevância cultural, restrições de recursos e a dominância epistêmica dos dados de treinamento ocidentais e anglófonos.

Questões a considerar

  • Se um sistema de IA tem bom desempenho em testes de benchmark construídos a partir de dados ocidentais e de língua inglesa, quão confiante você deveria estar de que ele funcionará igualmente bem para seus estudantes? O que você gostaria de verificar antes de confiar nele em seu próprio contexto?
  • Considere uma ferramenta de aprendizagem cujos dados de treinamento e métricas de avaliação foram todos desenvolvidos no Norte Global. Que suposições sobre linguagem, tradições de conhecimento e realidades educacionais ela pode codificar silenciosamente — e quem é mais provável de ser mal representado por elas?
  • Quando a adoção de IA é estudada, quais salas de aula e instituições tendem a dominar a base de evidências? Como isso pode enviesar o que pensamos saber sobre se a IA "funciona" na educação?
  • A página argumenta por tratar as epistemologias vividas e comunitárias dos aprendizes como autoritativas, e não apenas como complementos aos modelos ocidentais. O que seria necessário para que sua própria prática ou pesquisa relacionada à IA centralizasse o conhecimento local em vez de importá-lo de outro lugar?
  • Restrições de recursos são um tema recorrente nos contextos do Sul Global. Como a promessa de suporte de IA de baixo custo e escalável pode tanto fechar quanto ampliar as lacunas de oportunidade existentes, dependendo de como ela é projetada e implantada?
  • Como você poderia dizer se uma tecnologia "adotada" em um determinado cenário foi de fato adotada porque se encaixava nas condições locais — ou porque se assumiu que ela se transferiria? Que evidência distinguiria as duas?

Introdução

Por que importa para a AIED

A pesquisa mainstream em IA e tecnologia educacional tem sido historicamente dominada por conjuntos de dados e contextos institucionais ocidentais e de língua inglesa. Isso cria dois problemas: (1) sistemas de IA treinados com tais dados podem ter desempenho inferior ou mal representar aprendizes em cenários do Sul Global, e (2) benchmarks de avaliação construídos no Norte Global podem não refletir as realidades educacionais, línguas ou tradições de conhecimento de outras regiões. A pesquisa de contextos do Sul Global nesta base de conhecimento abrange conjuntos de dados, benchmarks e estudos de adoção de tecnologia fundamentados culturalmente, com implicações para o letramento em IA e para o ensino superior e o K-12.

Aplicações na base de conhecimento

  • Dados e benchmarks fundamentados culturalmente: o IKS-Instruct fornece um conjunto de dados de instrução multilíngue de Sistemas de Conhecimento Indianos; o NSMQ Riddles introduz um benchmark de STEM com base em Gana, um dos primeiros conjuntos de dados de avaliação educacional do Sul Global.
  • Consciência de ética em IA no ensino superior de Gana: Acquah et al. (2026) validaram uma escala de consciência ética em IA de três fatores (autonomia, beneficência, equidade) com 509 estudantes universitários de Gana, encontrando cinco perfis latentes de consciência uniformemente muito alta a um pequeno cluster com quase nenhuma — mais fracos em beneficência — e nenhuma diferença de gênero, fornecendo uma âncora de medição do Sul Global para a literatura de ética em IA.
  • Raciocínio ético de professores em contextos de poucos recursos: Adelana et al. (2026) descobriram que professores de STEAM do ensino médio em serviço em um contexto de poucos recursos raciocinam sobre ética em IA por meio da identidade profissional, das realidades da sala de aula e das normas culturais, e não por listas formais de princípios, contrariando suposições de "ética vazia" sobre o Sul Global.
  • Adoção contextual: Asag & Al Mamun modelam a adoção de GenAI entre estudantes de engenharia bangladeshis, e o ConnectED implanta um sistema de planejamento de aulas alinhado ao currículo para a educação vietnamita.
  • Capacidade, não infraestrutura, moveu a adoção pelos docentes. Entre 255 docentes de Bangladesh, a atitude em relação à GenAI previu fortemente o uso (β = 0,556) e a relevância específica do domínio impulsionou a atitude (β = 0,413), enquanto a provisão de tecnologia institucional e as normas subjetivas não foram preditores significativos (Alam et al. (2026)).
  • Integração institucional e desigualdade estrutural: a análise de conteúdo comparativa de Adeniranye et al. (2026) de 45 universidades nigerianas (federais/estaduais/privadas) descobriu que a integração de IA é predita pela idade da instituição e pela localização geográfica — não pelo tipo de governança — e que os laços com redes internacionais e da indústria reforçam um ao outro (r = 0,74), de modo que instituições bem conectadas acumulam vantagem enquanto outras ficam ainda mais para trás. Ela localiza a desigualdade digital não apenas no nível do aprendiz, mas na capacidade estrutural das próprias instituições de ensino superior.
  • Desenvolvimento acadêmico como mediação digital sob restrição estrutural: Sithole (2026) entrevista doze desenvolvedores acadêmicos e designers de aprendizagem em duas Instituições Historicamente Desfavorecidas sul-africanas e traça uma linha analítica que a literatura do Sul Global frequentemente borra: a desigualdade digital é distributiva e respondível em princípio por meio de redistribuição e acesso, enquanto a colonialidade algorítmica é epistêmica e persiste mesmo sob acesso pleno, porque é inerente ao que os sistemas codificam e a cujo conhecimento eles centram. As duas estão entrelaçadas, mas exigem respostas diferentes, e a instituição está duplamente posicionada — excluída pela escassez infraestrutural e, quando incluída, subordinada por sistemas importados que codificam outros conhecimentos e normas. A retórica institucional de IA ("desempenho mais do que prática") chegou frouxamente acoplada às realidades materiais do ensino, de modo que os desenvolvedores traduziram o discurso global de transformação digital em prática contextualmente viável: testando e deliberadamente "quebrando" ferramentas em espaços de pares, insistindo no juízo sobre a habilidade, e absorvendo o custo afetivo de projetar uma especialização que ainda estavam adquirindo.
  • Marginalização epistêmica: Tali-Otmani argumenta que dados de treinamento centrados no Ocidente marginalizam conhecimentos não ocidentais e centrados na deficiência — conectando as preocupações do Sul Global à equidade na educação com IA e à pedagogia culturalmente relevante.
  • Deficiência e inclusão no Sul Global: Khlaif et al. (2026) — um estudo de caso qualitativo de 21 graduandos com deficiência visual em três universidades palestinas — descobriram que a GenAI transpassa divisões digitais, geográficas e socioeconômicas para aprendizes com deficiência, estendendo a pesquisa de aceitação de tecnologia a contextos de deficiência onde usabilidade, acessibilidade de preço e acessibilidade se reforçam mutuamente.
  • Projetando para estressores locais sob restrições de recursos: Bashir e Afzal (2026) constroem o Sukoon como uma resposta de design do Sul Global a uma incompatibilidade documentada — chatbots de saúde mental treinados majoritariamente em conjuntos de dados ocidentais e esmagadoramente de língua inglesa, enquanto estudantes paquistaneses enfrentam estressores acadêmicos, financeiros, familiares e relacionais simultaneamente e frequentemente não podem levantar dificuldades emocionais com pais, professores ou pares por causa do estigma. As restrições práticas dos autores são tão instrutivas quanto seu modelo: um Grandes modelos de linguagem (LLMs) de código aberto de acesso gratuito por meio de uma API hospedada para baixos requisitos de recurso, uma implantação Flask leve para universidades regionais, "ferramentas estão disponíveis, mas frequentemente são caras" listada como barreira, e acesso desigual a modelos pagos sinalizado como um risco de dependência geral. Eles também notam que o classificador foi treinado em um conjunto de dados publicamente disponível não representativo de estudantes paquistaneses, e se comprometem a dados DASS-21 coletados localmente antes de tirar conclusões populacionais.
  • Evidência de avaliação escassa e específica de ferramenta do ensino superior africano: uma revisão sistemática PRISMA 2020 da pesquisa empírica publicada entre 2023 e 2025 localizou apenas dez estudos, concentrados na Nigéria e na África do Sul e conduzidos quase exclusivamente com o ChatGPT, de modo que o que se sabe sobre redesenhar a avaliação para IA generativa no ensino superior africano repousa sobre estudos de amostra pequena, instituição única e autorrelatados, em vez de ganhos de aprendizagem medidos — os autores da revisão enquadram suas recomendações como direções, e não como efeitos assentados.
  • A equidade é a dimensão menos estudada em toda a região. Uma revisão de escopo PRISMA-ScR de 75 estudos do Sul Global (2022–2025) descobriu que a equidade é a menos examinada de suas cinco áreas, apesar de sua centralidade para a educação inclusiva, e relatou uma lacuna entre as posições éticas declaradas dos estudantes e seu comportamento (Nguyen & Perkins, 2026)).

Implicações

Atender aos contextos do Sul Global exige ir além de assumir que modelos e benchmarks ocidentais se transferem diretamente. Isso clama por conjuntos de dados fundamentados localmente, pedagogia culturalmente relevante, padrões de avaliação centrados na comunidade, e pesquisa que trate as epistemologias vividas e comunitárias dos aprendizes como autoritativas — alinhando-se a frameworks como aprendizagem com IA baseada na comunidade e pesquisa de aceitação de tecnologia adaptada às condições locais.

O histórico de escalonamento faz parte desse quadro, e é sóbrio. Programas que funcionam em escala piloto frequentemente param de funcionar quando governos os executam: o programa queniano que produziu ganhos substanciais sob implementação não governamental não mostrou ganho detectável em escala governamental (Bold et al.), os tamanhos de efeito tendem a cair à medida que os programas crescem (Vivalt), e a qualidade da implementação se dilui à medida que os locais se multiplicam (Al-Ubaydli, List & Suskind). O precedente da própria América Latina é o programa peruano One Laptop per Child — cerca de 800.000 laptops distribuídos sem efeito detectável em matemática ou leitura —, de onde a lição tirada foi que acesso à tecnologia não é instrução. Restrepo Morales et al. (2026) acrescentam uma lição de reporte à lição de escalonamento: no episódio de El Salvador de 2026, um piloto de tutoria com IA em 171 escolas foi anunciado como comparável ao da Alemanha e da Suécia, enquanto a amostra representativa do PISA 2025 do mesmo país não mostrou movimento em duas de três disciplinas, e os dados do piloto eram finos demais (7,0 estudantes avaliados por escola contra 25,4 nacionalmente) para excluir a seleção como explicação. Para sistemas do Sul Global que adotam IA em escala, a implicação é dupla: a evidência de que uma reforma funciona costuma ser sobre os componentes que ela agrupa, e não sobre a tecnologia em seu título, e um escalonamento faseado projetado antes da implantação identifica efeitos a custo quase nulo — o que importa mais onde a conectividade dita a faseação de qualquer forma.

Conceitos conectados

Artigos conectados

Metadados

NívelHigher Ed, K 12
Tecnologias e técnicasIA generativa
Equidade, ética e uso responsávelPedagogia culturalmente relevante, Equidade na educação com IA, Sul Global
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.