Governança de IA

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

Governança de IA — os frameworks, políticas, estruturas institucionais e normas que orientam o desenho, a implantação e o uso responsáveis da inteligência artificial na educação. A governança abrange mecanismos institucionais formais (grupos diretores de IA, políticas de integridade acadêmica e uso aceitável, revisão ética) e normas informais (diretrizes docentes, desenvolvimento profissional, culturas de uso responsável de IA). Na era da IA, a governança eficaz é um pré-requisito para a adoção ética, equitativa e sustentável da GenAI — ela determina se a IA é integrada de forma transparente, com responsabilização, ou adotada reativamente de modos que aprofundam as desigualdades.

Perguntas para refletir

• Se sua instituição tem uma política de IA no papel, mas nenhum processo claro para aplicá-la, atualizá-la ou comunicá-la, isso é realmente governança? O que separa uma regra que existe de uma regra que é de fato governada?
• Em um estudo, estudantes disseram que sua universidade não tinha uma política de IA clara, e que isso moldou como eles usavam a IA. Como a ambiguidade da política poderia influenciar o que os estudantes decidem ser "uso aceitável" — e as instituições deveriam se preocupar em deixar essa negociação a cargo dos indivíduos?
• A página distingue a governança baseada em detecção (policiar o uso de IA) da governança baseada em desenho (redesenhar a avaliação para que o uso de IA seja esperado e declarado). Para qual abordagem sua própria prática de avaliação se inclina, e quais são os trade-offs de cada uma?
• A governança é descrita como operando nos níveis nacional, institucional e de sala de aula. Pense em uma regra de IA do seu contexto: quem a definiu, como ela é comunicada e aplicada, e quão bem esses níveis se alinham?
• Um framework reformula a governança de IA como um problema de ação coletiva de sustentação da expertise compartilhada — os "bens comuns cognitivos". Como proteger o reservatório de conhecimento coletivo de uma profissão muda a forma como você pensa sobre governança de IA, em relação a simplesmente regular uma ferramenta?
• A página alerta que as declarações obrigatórias de uso de IA falham quando parecem punitivas ou ambíguas. Quando você viu uma regra de conformidade sair pela culatra porque as pessoas não a entenderam ou não confiaram nela — e o que isso lhe ensinou sobre governança?

Introdução

A governança de IA na educação é cada vez mais urgente porque a IA generativa introduz novos desafios epistêmicos, éticos e organizacionais: ela desestabiliza suposições sobre produção de conhecimento, autonomia do estudante, validade da avaliação e o papel dos educadores como autoridades epistêmicas. A governança aborda questões de integridade acadêmica (o que conta como uso aceitável de IA), privacidade e segurança de dados, viés algorítmico e justiça, transparência e responsabilização, e o alinhamento da adoção de IA com a missão e os valores institucionais. Um achado recorrente na pesquisa desta base de conhecimento é que a governança institucional frequentemente está atrasada — muitas instituições não têm políticas de IA claras e unificadas, deixando estudantes e docentes a negociar o uso aceitável por conta própria.

• A governança zero-shot como condição estrutural da plataformização. Perrotta (2026) desenvolve o conceito de governança zero-shot — IA generativa agnóstica a domínio intervindo em decisões de política — por meio de uma análise de código do Redbox, um protótipo descontinuado do serviço civil britânico construído sobre LLMs de prateleira. Lendo sua arquitetura (um prompt de sistema invisível + um invólucro fino em Python sobre um pipeline de recuperação → formatação → geração e uma pilha em nuvem agnóstica a fornecedor), o artigo argumenta que a natureza de propósito geral dos modelos de fundação é uma característica estrutural da plataformização que pode ser mitigada, mas nunca descartada: a IA agêntica não interrompe a lógica monopolista e rentista das plataformas, e o mesmo mecanismo probabilístico que gera novidade também produz alucinações. Para a governança, a implicação é que a supervisão da IA de propósito geral precisa tratar a saída aberrante como um risco irredutível e apenas mitigável, e não como um bug corrigível — uma ressalva que se aplica igualmente ao raciocínio de política educacional.

• A revisão de escopo de Baroudi enquadra a governança de IA no ensino superior pelas lentes da governança antecipatória e da liderança.

• Codesenho de política pelos estudantes: Hingle & Johri mostram como uma atividade de investigação guiada em que os estudantes codesenharam uma política de curso sobre GenAI trouxe à tona valores dos estudantes — priorizando formação, procedimentos padronizados de divulgação, apoio institucional mais forte e maior envolvimento na tomada de decisão. Isso posiciona os estudantes como parceiros na governança, em vez de sujeitos passivos, complementando a política de nível institucional com a voz de baixo para cima dos estudantes.

• A armadilha tecnossolucionista e o déficit de política: Uma revisão sistemática de 65 estudos de IA × aprendizagem socioemocional (Tran, Liu & Nguyen 2026) constata que a pesquisa frequentemente coloca em primeiro plano o potencial técnico, ao mesmo tempo que subespecifica as condições institucionais para a implementação responsável — uma armadilha "tecnossolucionista". Os autores ligam o engajamento com a política ao veículo de publicação e propõem um framework de "pergunta-QU" para tornar as implicações de governança específicas por ator, ecoando o achado mais amplo da base de conhecimento de que a governança institucional está atrás da adoção de IA.

Como a governança de IA aparece na pesquisa

• Adoção institucional em escala: o estudo AIDA na Open University mostra como uma instituição desenhou, implementou e avaliou um assistente de GenAI, identificando que a implantação responsável no nível do sistema exige estruturas de governança (Grupo Diretor de IA), patrocínio da liderança sênior e alinhamento com a estratégia institucional — e não apenas capacidade técnica.

• Liderança e mudança sistêmica: o SPARK enquadra a governança dentro da Teoria da Liderança em Complexidade, argumentando que os líderes precisam equilibrar estabilidade administrativa com inovação emergente, incorporando mecanismos de governança (políticas, regimes de avaliação, frameworks de responsabilização) para que as inovações de espaço adaptativo possam ser sustentadas e escaladas.

• Ambiguidade de política e experiência do estudante: Students' engagement with GenAI constatou que 12 de 23 estudantes notaram a falta de políticas institucionais explícitas de IA ("University doesn't have a clear and unified policy yet"), argumentando que a ambiguidade da governança molda as práticas, normas e autorregulação dos estudantes — apoiando uma mudança para orientação institucional transparente.

• O letramento em IA como capacidade de governança ("o 18º ODS"): Islam, Morshed e Islam (2026) reconceitualizam o letramento em IA como um mecanismo sistêmico de governança, e não como uma habilidade de sala de aula, propondo uma Taxonomia AIRE de seis níveis (Recognize → Comprehend → Apply → Analyze → Integrate → Govern) que estende a hierarquia de Bloom com síntese ética e previsão estratégica, e um Nexo IA–ODS que mapeia competências de letramento sobre todos os dezessete Objetivos de Desenvolvimento Sustentável. Enquadrando o letramento em IA como a heurística do "18º ODS" — uma capacidade transversal que canaliza a aprendizagem para a governança e o desenvolvimento sustentável —, a pesquisa com 300 profissionais do estudo constatou que o letramento em governança é o preditor mais forte da consciência do nexo IA–ODS (β = 0,64, r = 0,67 com a consciência do nexo) e identificou o raciocínio ético e o pensamento reflexivo como os preditores mais fortes do uso confiável de IA. Isso vincula a governança institucional ao cultivo do letramento em IA público, ecoando o achado da base de conhecimento de que o alinhamento responsável da IA exige formuladores de políticas e cidadãos que consigam interpretar criticamente sistemas algorítmicos, e não meramente controle técnico orientado à conformidade.

• Integridade acadêmica e avaliação: A governança é central para como as instituições tratam as preocupações de integridade acadêmica relacionadas à IA e redesenham a avaliação — movendo-se da proibição/policiamento para a orientação, o letramento em IA e os desenhos orientados ao processo, como se vê na pesquisa sobre racionalização dos estudantes e o redesenho da avaliação autêntica.

• O redesenho opera em três dimensões ao mesmo tempo. Laidlaw (2026) enquadra o redesenho da avaliação na era da IA pelas dimensões cultural-discursiva (linguagem e suposições), material-econômica (recursos) e sociopolítica (governança e poder), e nomeia a interseção recursos-poder como simultaneamente o maior ponto de alavanca e o maior risco: os recursos que fluem pelas estruturas de poder existentes amplificam as desigualdades.

• A mistura de instrumentos da governança escrita: Eldredge et al. (2026) auditaram documentos relacionados à IA de todos os 48 programas de mestrado em informática em saúde e gestão de informação em saúde acreditados pela CAHIIM nos Estados Unidos. Quarenta dos 48 (83%) tinham ao menos um documento publicamente disponível, e, ao longo dos 40 documentos analisados, a governança se realizou sobretudo como orientação, e não como regra vinculante: 21 diretrizes (53%), 9 documentos informativos (23%) e apenas 7 políticas formais (18%). A maioria dos documentos abordava docentes e estudantes juntos (20, 51%) em vez de apenas estudantes (6, 15%), e nem o tipo de política nem o público variavam com a modalidade de oferta (P exato de Fisher = 0,85 e P = 0,71), sugerindo que a mistura de instrumentos acompanha o hábito institucional, e não as demandas dos programas on-line, de campus ou híbridos. O conteúdo se agrupava em integridade acadêmica, uso responsável de IA e conduta do estudante, com pouca orientação cobrindo o uso de IA na aprendizagem aplicada, na pesquisa e em ambientes simulados, exatamente onde as preocupações curriculares e de governança de dados se cruzam. Os autores também relatam que os acreditadores regionais forneceram a maior parte do corpus (Higher Learning Commission n = 14 e SACSCOC n = 13, cerca de 60% juntos, com nenhum da região WASC) e argumentam que a acreditação é a alavanca externa mais bem posicionada para reduzir a variação entre programas.

• A governança como ecossistema de apoio distribuído: Qian (2026) codificou a orientação sobre IA das 50 universidades dos EUA mais bem classificadas em inovação e constatou que a governança se realiza menos como regra do que como interpretação e apoio: apenas 6 de 50 enquadraram sua página principal como uma "política", 33 de 50 posicionaram os instrutores como os tradutores primários das expectativas institucionais em regras de curso, e o apoio para fazê-lo se agrupou em quatro unidades interligadas — centros de ensino e aprendizagem fornecendo linguagem de programa e menus de política de curso, bibliotecas estabelecendo padrões de citação e procedência, escritórios de TI e de governança corporativa operando regras de classificação de dados e pilhas de ferramentas aprovadas, e escritórios de integridade acadêmica conduzindo o devido processo e a remediação educação-primeiro. Qian argumenta que é o andaimento, e não a postura, que reduz a ambiguidade, e o relata como desigualmente distribuído: 33 de 50 instituições publicavam materiais de programa ou de política de curso, enquanto apenas 4 colocavam em primeiro plano a orientação voltada ao estudante. Essa é a constatação sobre mistura de instrumentos acima em forma organizacional — a capacidade de governança localizada em unidades, e não em documentos.

• Ética, privacidade e viés: Os mecanismos de governança operacionalizam os princípios éticos (ética, privacidade, mitigação de viés) que frequentemente são reconhecidos, mas não aplicados, conectando-se aos debates sobre IA responsável e regulamentação na educação.

• Uma matriz valor/norma para a governança. Agarwal et al. (2026), uma revisão sistemática de 25 artigos, consolidam a ética da AIED em seis valores éticos principais (não discriminação, gestão de dados, supervisão humana, boa vontade, explicabilidade, adequação educacional) e mapeiam as normas éticas extraídas da literatura em uma matriz de partes interessadas por valor. O mapeamento torna as normas regras acionáveis para realizar valores específicos e oferece uma fundação para construir frameworks éticos detalhados e regulamentação para a AIED — dando a instituições educacionais, desenvolvedores e reguladores normas concretas para implementar. As normas de supervisão humana se agrupam em instituições educacionais e usuários finais, a adequação educacional em instituições educacionais e reguladores, e as normas de boa vontade voltadas a reguladores são muito mais numerosas (nove) do que para qualquer outro conjunto, sinalizando o papel dos reguladores em garantir que a AIED beneficie os estudantes por meio de política e legislação.

Educação em governança

A governança de IA opera em dois níveis que a base de conhecimento trata juntos: as regras institucionais que governam o uso de IA (políticas, frameworks de uso aceitável, exigências de avaliação e declaração) e a educação sobre essas regras (preparar as pessoas para navegá-las). Governança sem educação corre o risco de ser inaplicada ou opaca; educação sem governança não tem dentes. A pesquisa nessa vertente inclui a análise de política institucional de GenAI, os frameworks de declaração de IA, a governança da avaliação, a política de IA no ensino superior do Reino Unido e as revisões abrangentes de AIED que situam a governança na paisagem mais ampla da política.

Governança da avaliação

Uma arena central da governança de IA é como as instituições governam a avaliação — as regras que determinam o que conta como uso aceitável de IA, como o trabalho assistido por IA é declarado e como as medidas somativas são salvaguardadas. Isso inclui o desenho e a aplicação de declarações de uso e divulgação de IA: a pesquisa mostra que as declarações obrigatórias falham quando parecem punitivas ou ambíguas (Gonsalves 2025, Vetter et al. 2026), e que é a política clara, consistente e baseada em confiança que de fato fomenta a divulgação. A pesquisa desta base de conhecimento distingue entre governança baseada em detecção (policiar o uso de IA, por exemplo, via detecção de IA) e governança baseada em desenho (redesenhar a avaliação somativa e autêntica para que o uso de IA seja esperado, declarado e examinado). A governança centrada em evidências da IA generativa na avaliação e o Beyond Detection argumentam que a governança precisa combinar qualquer detecção com o redesenho da avaliação, enquanto a escolha de formatos somativos resistentes à IA (provas orais, medidas supervisionadas/de consulta fechada, entrevistas de revisão de código — veja Avaliação somativa) é, ela mesma, uma decisão de governança. A evidência em larga escala (Strömberg, Lei & Wu 2026) ressalta a importância de governar as medidas somativas, já que lição de casa não governada pode ser inflada pela IA enquanto a aprendizagem real decresce. O escopo de uma proibição é, ele mesmo, uma decisão de governança: Wright (2026) mostra que regras que barram a "IA generativa" sem distinguir geração de conversão de formato capturam ferramentas assistivas de transcrição e transformam a má aplicação da política em alegações de má conduta, onerando estudantes com deficiência e expostos à inequidade — uma falha de governança que questões e riscos legais trata como uma questão de igualdade tanto quanto de integridade.

A evidência que Zagami (2026) reúne de arenas de alto risco aponta para governança desigual, e não para recusa simples: adoção parcial e política incompleta na avaliação, nas admissões e nos processos disciplinares, com o atraso institucional operando como uma postura de governança, e não como uma falha. A tarefa institucional é interpretar a recusa bem o suficiente para melhorar a governança, perguntando quais decisões exigem revisão humana, quais sistemas exigem auditoria, quais usos exigem divulgação e quais escolhas de compra exigem justificativa pública. Weidlich (2026) acrescenta o corolário específico da avaliação: as pontuações de detectores são sinais probabilísticos condicionais que não podem, por si só, estabelecer má conduta, de modo que a governança centrada em detecção é uma base insuficiente para defender as afirmações de avaliação.

Governança através dos níveis

A governança de IA opera em múltiplos níveis — do nacional/regulatório (política governamental, o framework da OCDE, diretrizes estaduais de IA) ao institucional (políticas universitárias, grupos diretores de IA, comitês de revisão ética) ao de sala de aula (diretrizes do instrutor, enunciados de programa, desenho de tarefas). A governança eficaz alinha esses níveis: os frameworks nacionais estabelecem expectativas, as instituições os traduzem em políticas e estruturas de apoio, e os educadores os implementam de formas que constroem o letramento em IA e a autonomia dos estudantes. A pesquisa desta base de conhecimento enfatiza que a governança não trata apenas de restrição, mas de criar as condições para a integração responsável, equitativa e de apoio à aprendizagem da IA — incluindo o desenvolvimento docente, a orientação transparente e a avaliação contínua. Conduta idêntica, veredictos diferentes. Poudyal (2026) aplicou 15 vinhetas padronizadas de uso por estudantes aos ambientes de política públicos de 20 universidades australianas, produzindo 300 classificações: 40,0% claramente proibidas, 32,3% potenciais violações de política, 9,0% permitidas com condições e 18,7% indeterminadas — nenhuma alcançando o limiar de claramente permitida. Os instrumentos vinculantes ficaram silenciosos sobre IA generativa em 100 combinações, enquanto a orientação resolveu 88, e a reescrita de texto divulgada e um parágrafo redigido por IA produziram a maior divergência entre universidades, contra unanimidade para uma proibição explícita de avaliação. Onde os níveis descritos acima são supostos alinhados, este estudo mede o quanto eles divergem, e localiza a fronteira operacional na orientação, e não na política vinculante.

A governança docente e o argumento pela revisão deliberada. Onde os níveis acima são alinhados pela política, alguns setores os alcançam pela governança compartilhada. Gutowski e Hurley (2025) descrevem as escolas de direito como um caso difícil exatamente por isso: os corpos docentes de direito dos EUA detêm autoridade individual incomum sobre os padrões dos cursos, de modo que a política precisa ser construída com eles, e não anunciada a eles, e a maioria das escolas que escreveram regras proibitivas também reservou discricionariedade aos instrutores individuais e se comprometeu com a revisão à medida que a tecnologia avançava. Suas recomendações — flexibilidade por desenho, revisão periódica, formação proativa e autorregulação por compartilhamento de informações, em vez de esperar que um acreditador dite a política — descrevem a governança como um processo contínuo, e não como um documento, o mesmo ponto que o consenso Delphi faz ao recomendar ciclos de revisão programados e um comitê multidisciplinar permanente.

Em toda a instituição, o framework AIGEM (Tan et al. 2026) posiciona a IA responsável como uma capacidade organizacional estratégica para a gestão educacional, integrando liderança estratégica em IA, governança responsável, inteligência de decisão, inteligência colaborativa humano-IA, desenvolvimento de competências e criação sustentável de valor — e vincula a implementação responsável aos ODS. Ele ressalta que a governança não é apenas uma camada de conformidade sobre o ensino, mas uma função executiva das instituições educacionais.

Conexões com conceitos relacionados

A governança de IA se conecta à ética (os princípios que ela operacionaliza), ao ensino superior (o contexto institucional), à privacidade e à mitigação de viés (preocupações específicas de governança) e à integridade acadêmica (uma arena primária de governança). Ela é central para a mudança institucional e a IA responsável, e se cruza com o letramento em IA (a governança apoia o desenvolvimento do uso crítico e informado). Ela também se conecta à analítica de aprendizagem (governança de dados) e à experiência do estudante (a governança molda como os estudantes navegam o uso aceitável).

Governando os bens comuns cognitivos. O framework dos Bens Comuns Cognitivos (Lovett 2026) enquadra a regeneração da expertise como um problema de ação coletiva no nível da profissão, que exige governança ao estilo de Ostrom (definição de fronteiras, monitoramento, sanções graduadas, escolha coletiva). A governança de IA, portanto, não trata apenas de regular ferramentas, mas de sustentar o reservatório compartilhado de expertise de que as profissões precisam — nos níveis organizacional, de associações profissionais e de política.

Relação com a política educacional

A governança é distinta de — mas inseparável da — política educacional de IA. A política é o conteúdo: as regras e enunciados formais (que uso de IA é permitido, o que deve ser divulgado, que avaliação é permitida). A governança é a maquinaria que produz, implementa, aplica e revisa essas regras: quem as define, como são custeadas e comunicadas, como a conformidade e os recursos são tratados e como se adaptam à medida que a IA evolui. Onde a página de política cataloga as próprias regras e suas lacunas de maturidade, esta página se concentra nas estruturas e práticas que tornam as regras reais — grupos diretores, revisão ética, governança da avaliação e responsabilização através dos níveis. Uma regra no papel é política; uma regra que é possuída, monitorada e aplicada é governança. As duas são mutuamente dependentes: política sem governança é inaplicada, e governança sem política não tem direção.

A linguagem de responsabilização pode deixar o ator responsável sem nome. Poudyal (2026) extraiu 166 expressões de obrigação ou responsabilização de 366 resumos de GenAI no ensino superior e constatou que nenhuma atribuiu responsabilidade a um sistema, enquanto 33 deixaram o portador não especificado; "é preciso governança" não nomeia ninguém que convoque, decida ou aplique. Instituições e atores de política carregavam 37 obrigações, metonímias instituição/educador 30, educadores 20, pesquisadores 18 e estudantes apenas seis.

Svetec, Divjak & Kadoić (2026) identificam a ética e governança de dados como um dos sete habilitadores de intervenções educacionais confiáveis baseadas em analítica de aprendizagem — políticas para o uso ético de LA e IA, privacidade de dados, segurança e responsabilização — e posicionam a confiabilidade (inclusive liderança e governança que apoiam a implementação) como pré-requisito para intervenções significativas informadas por dados.

• A governança pode ser desenhada na própria ferramenta. Um perfil de governança de seis dimensões — fundamentação pedagógica, autoridade instrucional, responsabilização e controle humanos, autonomia do estudante e engajamento cognitivo, especificidade de contexto e visibilidade da avaliação — localiza a governança no modelo de interação, nos prompts, nas rubricas, nos portões de aprovação e nos painéis de uma ferramenta de ensino, e pergunta se os mecanismos se ajustam à função instrucional, e não quão estrita ou permissiva uma ferramenta é (Dickey, 2026).

Conceitos conectados

• Parcerias pedagógicas — Parcerias Pedagógicas
• Uso de IA e declarações de divulgação — Declarações de uso e divulgação de IA
• Supervisão Remota
• Ética
• Ensino superior
• Privacidade
• Mitigação de viés
• Integridade acadêmica
• Letramento em IA
• Analítica de aprendizagem
• Experiência dos estudantes
• Política educacional de IA
• Regulação da IA na educação
• Avaliação somativa
• Uso indevido de IA e dano à aprendizagem
• Calibração da confiança
• IA generativa
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (estudantes, professores, desenhistas, administradores, formuladores de políticas)
• Apoio e sucesso dos estudantes — supervisão dos sistemas institucionais de apoio ao estudante

Artigos conectados

• Artificial Intelligence Literacy and Sustainable Development: An Ethical Governance and Development Goals Framework — O letramento em IA como capacidade de governança para o desenvolvimento sustentável: a Taxonomia AIRE e o Nexo IA–ODS (Islam, Morshed & Islam 2026)
• Artificial Intelligence in Educational Management: Opportunities, Challenges, and Future Directions — Framework AIGEM para governança de IA na gestão educacional
• Institutional approaches to artificial intelligence policy and guidance in health informatics and information management education: emerging trends and inconsistencies — Documentos de política e orientação sobre IA em 48 programas acreditados pela CAHIIM em informática em saúde: a governança como orientação não vinculante e centrada na integridade (Eldredge et al. 2026)
• A Guided Inquiry Approach to Students Co-Designing Generative AI Course Policies — Estudantes codesenhando políticas de curso sobre GenAI por investigação guiada (Hingle & Johri 2026)
• From Learning Analytics to Educational Interventions: Enhancing Decision-Making and Learning Design — Da analítica de aprendizagem às intervenções educacionais: habilitadores de intervenções confiáveis baseadas em LA (Svetec, Divjak & Kadoić 2026)
• Addressing student non-compliance in AI use declarations: implications for academic integrity and assessment in higher — Não conformidade dos estudantes com as declarações de uso de IA
• The Hidden Cost of Disclosure: A Multi-institutional Study on Undergraduate Students' Generative AI Usage and Faculty Accusations — O custo oculto da divulgação
• "Should I Tell My Teacher?" Student AI Disclosure Practices, Stigma, and Self-Regulated Learning in Higher Education — Divulgação de IA pelos estudantes, estigma e aprendizagem autorregulada
• Which inference is at risk? Assessment validity reasoning and generative AI — Qual inferência está em risco: raciocínio sobre validade da avaliação e IA generativa (Weidlich 2026)
• Governing generative AI in higher education: a global Delphi study on policy and practice — Delphi global sobre governança e política de GenAI
• Governing generative AI in higher education: Emerging policy approaches and support ecosystems at innovative U.S. universities — Governança por orientação: regras de programa definidas pelo instrutor e um ecossistema de apoio de quatro unidades em 50 universidades inovadoras dos EUA (Qian 2026)
• Forging ahead or proceeding with caution: Developing policy for generative artificial intelligence in legal education — Governança docente, discricionariedade do instrutor e revisão periódica na política de GenAI em escolas de direito (Gutowski & Hurley 2025)
• Transcription is not generation: Distinguishing non-generative AI tool use from academic misconduct in higher education assessment — Proibições excessivamente abrangentes de "IA", conversão de formato e o problema do ajuste razoável (Wright 2026)
• AI refusal in higher education: the right to refuse, the duty to understand and the diagnostic value of non-use — A recusa como evidência: governança desigual, o dever de entender e o valor diagnóstico do não uso (Zagami 2026)
• Anticipatory governance and leadership for AI implementation in higher education: A scoping review — Governança antecipatória e liderança para a IA
• New systems of learning for distance learning institutions? A six-study review of implementing AIDA — Implementando o AIDA na Open University
• Leveraging complex systems: Leading for transformative change — SPARK: liderando pela mudança transformadora
• Students' engagement with generative AI in academic learning: A self-determination theory and epistemic network analysis study — Engajamento dos estudantes com a GenAI (TAD)
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Beyond Detection: redesenho da avaliação autêntica
• A Comparative Analysis of Institutional and Course Generative AI Policies within Higher Education: Implications for Instruction in Computing Education — Política institucional de GenAI em computação
• Structuring Transparency: Developing Domain-Specific Generative AI Declaration Frameworks in Higher Education — Frameworks de declaração de IA
• Generative AI as a Design Variable: An Evidence-Centered Framework for Principled Governance in STEM Assessment — Governança da avaliação sob a GenAI
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — IA na política de ensino superior do Reino Unido
• Review of Artificial Intelligence in Education from 2020 to 2025 — Revisão abrangente da pesquisa em AIED
• The Tragedy of the Cognitive Commons: How AI Could Disrupt the Regeneration of Professional Expertise — A tragédia dos bens comuns cognitivos: IA e regeneração da expertise
• The Policy Deficit in AI × Social-Emotional Learning Research — O déficit de política na pesquisa IA × ASE
• Identifying the ethical values and norms for artificial intelligence in education: A systematic literature review — Valores e normas éticas para a IA na educação
• Zero-shot governance — Governança zero-shot: IA de propósito geral na política (Perrotta 2026)
• Who Acts, Who Knows, Who Answers? A Corpus-Assisted Discourse Analysis of Agency, Epistemic Responsibility, and Accountability in Generative AI Higher Education Research — Quem Age, Quem Sabe, Quem Responde? Uma análise de discurso assistida por corpus sobre autonomia, responsabilidade epistêmica e responsabilização na pesquisa em IA generativa no ensino superior
• Instructional Governance by Design: A Framework for AI in Computing Education — Governança Instrucional por Desenho: um framework de IA na educação em computação
• Mapping the Authorized Boundary: A Comparative Policy-Vignette Study of Generative AI Governance in Australian Higher Education — Mapeando a fronteira autorizada: um estudo comparativo de política por vinhetas da governança da IA generativa no ensino superior australiano