Ensino superior

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

Ensino superior — a integração da inteligência artificial ao ensino, à aprendizagem, à avaliação e à administração universitários. O ensino superior é o contexto mais estudado na base de conhecimento, com mais de 100 artigos examinando como a IA transforma a instrução de nível universitário, a política institucional e a experiência dos estudantes. A IA no ensino superior é tanto o cenário dominante da pesquisa em IAED quanto o lugar onde suas tensões são mais visíveis — entre a promessa da IA generativa de personalização escalável e seus riscos para a integridade, a aprendizagem, a privacidade e a equidade. Ele abrange tanto a graduação quanto a pós-graduação, incluindo programas profissionais como medicina e negócios.

Perguntas para considerar

• O ensino superior é onde as tensões da IA são mais visíveis — personalização escalável versus riscos para integridade, aprendizagem, privacidade e equidade. Qual dessas tensões você vê se manifestar de forma mais concreta na sua própria instituição?
• Grandes estudos revelam lacunas entre a política institucional e o que os estudantes de fato fazem com a IA no dia a dia. Por que você acha que a política oficial diverge tão frequentemente da prática real dos estudantes?
• A página enquadra a adoção de IA como desigual — algumas instituições se transformam enquanto outras ficam para trás, moldadas por fatores organizacionais e política nacional. Que fatores você acha que determinam se uma universidade se adapta ou emperra?
• À medida que a IA torna o apoio individualizado quase gratuito e universal, como isso desloca o valor e o papel da própria universidade? O que se torna mais escasso e, portanto, mais valioso?
• Um achado observa um declínio no tempo de estudo entre estudantes universitários que usam IA. Se os estudantes gastam menos tempo estudando, mas relatam satisfação, o que isso sugere sobre o que as instituições deveriam medir e proteger?
• Dada a lacuna entre a prontidão em IA autoavaliada e a real do corpo docente, como seria um desenvolvimento docente significativo no seu contexto — e quem deveria ser responsável por ele?

Introdução

A pesquisa em IA no ensino superior abrange toda função da universidade: da tutoria por IA e da correção automatizada ao desenvolvimento docente, à integridade acadêmica, ao governo institucional e ao apoio estudantil. Os artigos de ensino superior da base de conhecimento se agrupam em torno de vários temas-chave — transformação institucional, experiência estudantil em escala, corpo docente e ensino, avaliação e integridade, e a rápida mudança em política e prática.

Transformação institucional

Os frameworks de mudança institucional analisam como universidades se adaptam à IA — não apenas no nível da sala de aula, mas ao longo de política, governo e estrutura organizacional. O framework EPIQ-AI ressignifica a prontidão docente como desafio de alinhamento sociotécnico envolvendo domínios epistêmicos, pedagógicos, institucionais e de qualidade. Repensar universidades na era da IA examina se os modelos institucionais atuais conseguem acomodar a educação impulsionada por IA. A adoção não é uniforme: a pesquisa sobre fatores organizacionais identifica o que habilita ou bloqueia a adoção institucional, e as análises de política nacional mostram como o contexto sistêmico molda as respostas universitárias. Um blueprint institucional concreto vem de Qin (2026), que documenta o reposicionamento da Lingnan University como uma "Instituição de Artes Liberais Intensiva em Pesquisa na Era Digital", tornando obrigatório o letramento em IA generativa para todos os estudantes de graduação e incorporando o letramento digital ao Common Core, ao mesmo tempo que desenvolve um modelo com humano no circuito que coloca em primeiro plano o raciocínio ético e o julgamento crítico — argumentando que a mudança rumo à IA na educação é uma transformação intelectual, não uma ampliação tecnocêntrica. O mapeamento macro de 22 intervenções de integração de IA no ensino superior (AlSheikh et al., 2026) reforça que a transformação permanece mais aspiração que realidade: avaliadas no modelo SAMR, a maioria das intervenções está em Substituição ou Ampliação, a integração se concentra em medicina, engenharia e ciência da computação, com pouca presença de humanidades, e a evidência pende para a América do Norte e a Ásia, com representação mínima do Sul Global.

Quais formas de uso de IA generativa uma instituição tornou legítimas é ele mesmo mensurável. Sun, Dohn e Rehm (2026) classificaram 102 estudos empíricos de ensino superior pela forma como o trabalho epistêmico era distribuído entre estudante e sistema, e concluíram que as aplicações Assistente (42,16%) e Habilitadora (42,16%) dominam, enquanto Geradora, Reinventora e Sintetizadora juntas compunham menos de um quinto do corpus — não porque os modelos não consigam fazer o resto, mas porque as formas marginais distribuem autoria de maneiras que a lógica de competência individual da universidade ainda não reconhece. Na explicação deles, a restrição vinculante sobre a IA generativa no ensino superior é a legitimidade institucional, e não a capacidade técnica, o que coloca a questão no mesmo território de política e redesenho de avaliação que a integridade e a reforma da avaliação.

A implantação de IA fora da sala de aula se tornou uma questão de proteção ao consumidor, e o inventário do lado estudantil dela é escasso. O relatório SHAPE AI da Student Defense (2026) mapeia o uso institucional de IA em admissões, recrutamento e auxílio financeiro, serviços de sucesso estudantil (orientação, aconselhamento, acesso a benefícios, transferência de créditos) e oferta de educação — funcionalidades embutidas em LMS do Canvas, Blackboard e D2L Brightspace, plataformas de IA generativa de alcance institucional, sistemas de tutoria e feedback, detecção e supervisão de provas — e argumenta que a adoção está superando a proteção. Suas seis preocupações transversais (se os estudantes recebem aquilo pelo que pagam, a perda de comunidades de aprendizagem, revelação e transparência, privacidade de dados, viés e supervisão humana calibrada) se somam a uma triagem de aquisição de quatro questões: que problema está sendo resolvido, se existe capacidade de governo, se a instituição está sendo transparente e se a implantação cria valor para os estudantes. A posição do relatório é que estados, órgãos de acreditação e o Departamento Federal de Educação ainda não estão equipados para captar esses riscos, deixando a política escrita da própria instituição como a proteção operante, e ele nomeia diretamente o modo de falha: uma faculdade que anuncia um programa conduzido pelo corpo docente enquanto a instrução ou o design do curso é terceirizado para IA ou fornecedores externos está vendendo um produto diferente sob o próprio nome.

Experiência estudantil em escala

Grandes estudos sobre uso autêntico de IA por estudantes e disponibilidade de IA generativa e satisfação documentam como os estudantes realmente usam a IA — revelando lacunas entre a política institucional e a prática cotidiana. A pesquisa por survey captura como estudantes navegam o cenário da IA, e estudos sobre tempo de estudo, competências de IA para egressos e percepções dos estudantes sobre ferramentas de IA mostram que a experiência dos estudantes com a IA é mista — eficiente, mas frequentemente mais rasa. Boa parte dessa aprendizagem universitária agora acontece on-line, onde o ensino e a aprendizagem on-line moldam tanto os benefícios da IA (personalização escalável, apoio sempre disponível) quanto seus riscos (integridade acadêmica, descarregamento cognitivo) para estudantes universitários. Uma abordagem exploratória de ML usando análise SHAP examinou como as percepções e os dados demográficos dos estudantes se relacionam ao uso acadêmico pretendido do ChatGPT, priorizando interpretabilidade (An Exploratory Machine Learning Approach to Understanding Determinants of Future ChatGPT Use in Higher Education). Na educação em arte e design, onde a IA generativa desafia o valor da criatividade humana, um modelo de aprendizagem baseada em projetos com narrativa digital em seu núcleo cultivou as capacidades emocionais, culturais e narrativas que faltam à IA — avaliado por meio de um estudo de caso incorporado de 15 semanas com 426 estudantes de graduação chineses que traduziram patrimônio cultural local em narrativas multimodais (In the AI era: A project-based digital storytelling framework for art and design education). Usos assistivos e inclusivos da IA generativa também estão remodelando a experiência estudantil de quem aprende com deficiência: Khlaif et al. (2026) — um estudo de caso qualitativo com 21 estudantes de graduação com deficiência visual em três universidades palestinas — concluíram que a IA generativa ajusta ritmo, conteúdo e entrega a perfis individuais, simplifica textos complexos e converte conteúdo entre modalidades, dando a quem aprende uma sensação de autonomia e confiança na participação em aula, ao mesmo tempo que é vista como complementando, e não substituindo, os professores.

Além da sala de aula, a IA alcança estudantes por meio da própria instituição — orientação, prospecção, encaminhamento e alocação de apoio escasso —, o que apoio e sucesso estudantil reúne como corpo de evidências próprio. Sua cautela central sobre escala vem de uma avaliação aleatória de quatro anos (N = 8.708) em que empurrões de inscrição moveram um prazo em 34 pontos percentuais, enquanto formatura, créditos e GPA não se moveram de forma alguma.

Educação de pós-graduação e profissional

A base de conhecimento é fortemente ponderada para a graduação, e abriga a preparação de pós-graduação e profissional dentro de páginas específicas de disciplina (educação médica e em profissões de saúde, educação em negócios, formação de professores) em vez de em uma página separada de pós-graduação. Duas vertentes, no entanto, dizem respeito especificamente a estudantes de mestrado, doutorado e profissionais: a formação em pesquisa e os programas de diploma profissional.

A prática de pesquisa na pós-graduação é a mais distintiva das duas. Dai e Chan (2026) analisaram como 28 estudantes de pesquisa de pós-graduação em sete grupos focais exerceram letramento em IA em sua pesquisa assistida por IA generativa, e os concluíram usuários calibrados em vez de adotantes passivos — associando ferramentas a tarefas por apostas percebidas e normas disciplinares, retendo supervisão humana e traçando suas próprias fronteiras entre ajuda aceitável de redação e substituição de seu raciocínio. Seu achado central é uma lacuna de política: a orientação institucional sobre IA generativa trata de ensino, aprendizagem e avaliação, mas quase não diz nada sobre o processo de pesquisa, de modo que os autores propõem diretrizes orientadas a quem pesquisa que deem andaimes a cada dimensão de letramento em IA ao longo do fluxo de trabalho de pesquisa para pesquisadores e seus orientadores. Oh, Talton e Bui (2026) abordam a mesma população pelo lado institucional: entre 93 estudantes de pós-graduação e pós-doutorandos de biociências em um curso obrigatório de ética em pesquisa, três sinais comportamentais simples pré-instrução informaram a perfilagem leve de ingresso para instrução adaptativa em ética com IA, enquanto cursos prévios de IA não predisseram nenhum dos cinco desfechos de percepção. A IA também está remodelando a própria equipe de pesquisa — a análise de 147.074 publicações desde 2020 associa escrita assistida por IA a equipes menores, com menos peso de autores juniores, produzindo trabalho altamente citado, revertendo a deriva de décadas da "Big Science" rumo a colaborações maiores — e um estudo de caso de um único investigador documenta como é o apoio agêntico sustentado dentro do fluxo de trabalho de um pesquisador.

Os programas de diploma profissional concentram a maior parte da evidência de nível de pós-graduação, e ela está organizada por disciplina. Na educação em profissões de saúde, um ensaio controlado aleatorizado com 100 estudantes de medicina do terceiro ano testou um sistema de múltiplos agentes com LLM — paciente simulado, tutor socrático, avaliador por turno — organizado em torno de funções explícitas de andaime para o treinamento de entrevista clínica, enquanto o framework SCAN ressignifica o uso de IA por estagiários como problema de distribuição de tarefas e classificação metacognitiva em tempo real, em vez de uso indevido por parte de quem aprende. A preparação em nível de mestrado aparece em Zhu et al. (2026), cujo modelo D–T–E elevou a competência de design instrucional de estudantes de mestrado em educação em matemática (d de Cohen = 0,62) ao fazer três LLMs atuarem como "revisores inteligentes" em um laço de design–feedback–reflexão. Como estudantes conceituam a IA generativa e sua própria profissionalização corta transversalmente esses programas, enquanto a aprendizagem profissional contínua e no trabalho — adjacente a, mas distinta da, pós-graduação — é tratada em aprendizagem de adultos e formação profissional.

Corpo docente e ensino

A pesquisa em desenvolvimento educacional examina como instrutores adotam, resistem ou se adaptam à IA. Os estudos de adoção de IA por professores identificam confiança, apoio e atitude como preditores-chave. A pesquisa sobre feedback discricionário assistido por IA explora se a IA aumenta a qualidade e a quantidade de feedback dos instrutores, e a pesquisa em ética pesa se professores deveriam usar IA para feedback de algum modo. A pesquisa sobre perspectivas do corpo docente e os estudos fenomenográficos das concepções dos professores investigam como educadores entendem seu papel em mudança. Em contextos de turmas grandes, a IA já pode assumir uma fatia crescente da carga de feedback: um experimento de campo ao longo de um semestre em tutoriais de macroeconomia da graduação (Geschwind et al., 2026) concluiu que o feedback individual do GPT-4 sustentou a maior participação ao longo de oito tarefas abertas e produziu os maiores ganhos de aprendizagem de conteúdo, posicionando o feedback de IA como complemento escalável ao feedback do palestrante e substituto da avaliação por pares não confiável. Uma rota complementar para turmas grandes de STEM na graduação é um sistema de assistente de ensino diagnóstica: o Arthur (Yin et al. 2026) usa uma espinha dorsal de ML por questão para dar feedback personalizado e em tempo real sobre Questões de Fórmula Calculada de Economia da Engenharia — um domínio em que soluções manuscritas haviam bloqueado o apoio de IA — por meio de uma interface web de diálogo baseada em banco de questões que equilibra precisão do feedback contra eficiência de coleta. Farazouli et al. (2026) capturam a dimensão emocional dessa mudança: 24 professores universitários suecos vivenciaram a emergência da IA generativa como alarmante e avassaladora, relatando um "estado de vulnerabilidade" (baixa confiança, insegurança, medo de "não estar à frente dos estudantes") e sentindo-se "emperrados" entre discursos utópicos e distópicos — ao mesmo tempo que repensavam a avaliação e reavaliaram suas prioridades rumo ao pensamento crítico e ao uso ético de IA generativa.

Avaliação e integridade

A pesquisa em integridade acadêmica e em reforma da avaliação com IA luta com como universidades deveriam redesenhar a avaliação para um corpo discente capaz de usar IA. Abordagens centradas na detecção estão dando lugar à avaliação autêntica e à avaliação baseada em processo, incluindo provas orais, gêmeos de avaliação e redesenho de avaliação autêntica. A mudança reflete uma preocupação mais profunda: como estudantes e instituições definem colar com IA, e a qualidade dos materiais de avaliação gerados por IA. A automação da própria correção está amadurecendo para trabalho universitário aberto: Pecuchova, Benko e Drlik (2025) colocaram como referência onze modelos de IA generativa e de embeddings de frases sobre 1.885 respostas a 24 questões de prova de engenharia de software e concluíram que apenas o GPTo1 alcançou concordância quase perfeita com dois corretores humanos especialistas (Kappa de Fleiss 0,82), com modelos sensíveis a contexto superando os baseados em referência — mas seus custos de API proprietária levaram os autores a recomendar a implantação híbrida com humano no circuito para instituições com restrição de recursos. No nível dos programas profissionais, Olvet et al. (2026) mostram que a pontuação por LLM (GPT-4) de questões abertas de provas médicas pré-internato pode alcançar concordância substancial a quase perfeita com corretores do corpo docente (kappa ponderado de até 0,94) após refinamento iterativo de rubrica por humanos, embora os autores ainda recomendem manter humanos no circuito para arbitrar discrepâncias residuais. Complementando essa evidência no nível do modelo, Falahat, Das, Bhaumik e Thambi (2026) corrigiram uma prova universitária de farmácia de 21 itens com o ChatGPT-5 e encontraram concordância quase perfeita com o corpo docente nos itens objetivos (CCC 0,935–1,000), mas concordância não confiável nos itens de resposta curta e dissertativos, sem que o fornecimento de rubrica melhorasse o desempenho de forma consistente — reforçando o argumento pela correção híbrida com humano no circuito na avaliação universitária.

Implicações para instrutores do ensino superior

• Projete a avaliação para um corpo discente capaz de usar IA. Abordagens de integridade centradas na detecção estão dando lugar à avaliação autêntica e baseada em processo (além da detecção, reforma da avaliação) — redesenhe o que você avalia, não apenas como você o policia.
• Redesenhe a pergunta "o que os estudantes ainda deveriam aprender à mão?". Assim como na computação, decida quais habilidades precisam ser preservadas (verificação, julgamento, processo) e faça delas o núcleo avaliado, em vez de presumir que competências de IA se transferem automaticamente.
• Trate a prontidão docente como sociotécnica, não apenas técnica. O EPIQ-AI enquadra a prontidão ao longo de domínios epistêmicos, pedagógicos, institucionais e de qualidade — alinhe sua prática de ensino ao governo institucional, não apenas à fluência em ferramentas.
• Enfrente a lacuna entre política e prática. Estudos em larga escala (IA na natureza) mostram que estudantes usam IA de formas que a política institucional não antecipa — alinhe suas expectativas ao uso real e ensine letramento em IA explicitamente.
• Use a IA para elevar a qualidade e a quantidade de feedback. O feedback assistido por IA pode aumentar o feedback que instrutores entregam; pareie-o com julgamento humano para que ele melhore a aprendizagem em vez de meramente automatizar.
• Engaje-se com inovação em correção e avaliação deliberadamente. Mesny, Roberge-Maltais e Galy (2026) argumentam que avaliação e correção estão entre os fatores mais influentes que moldam a aprendizagem no ensino superior, embora permaneçam subpesquisados em campos como a educação em gestão (apenas 58 artigos em 20 anos em quatro periódicos de ponta). Abordagens tradicionais, somativas em excesso e referenciadas a norma solapam a aprendizagem profunda, o bem-estar, a equidade e a integridade na era da IA generativa; os autores pedem que instrutores se engajem de forma mais ativa e recíproca com cinco práticas inovadoras (avaliação autêntica, autoavaliação e avaliação por pares, reavaliação, classificação baseada em padrões, ungrading), observando que a implementação exige apoio institucional e cultural e experimentação incremental.
• Trate a formação e a supervisão em pesquisa como um site de letramento em IA por direito próprio. Pesquisadores de pós-graduação exercitam letramento em IA como prática situada em vez de conjunto estático de habilidades, e a orientação institucional praticamente para no ensino e na avaliação. A orientação para trabalho de tese, dissertação e publicação deveria dar andaimes concretamente a verificação, atribuição e revelação para cada dimensão de letramento em IA — e sinais pré-instrução simples podem direcionar esse apoio em cursos de ética em pesquisa —, em vez de emitir regras binárias.

Conceitos conectados

• Padrões pedagógicos — O nível onde a maior parte da evidência de sequências testadas foi gerada
• Ensino e aprendizagem online — Ensino e aprendizagem on-line
• IA generativa — Tecnologias e modelos de IA generativa
• Grandes modelos de linguagem (LLMs) — Modelos de linguagem grandes
• Experiência dos estudantes — Experiência dos estudantes com IA no ensino superior
• Desenvolvimento educacional — Desenvolvimento docente e prontidão em IA
• Integridade acadêmica — Integridade acadêmica em um corpo discente capaz de usar IA
• Letramento em IA — Letramento em IA para estudantes e corpo docente
• Validade da avaliação — Validade da avaliação na era da IA generativa
• Política educacional de IA — Política educacional sobre IA
• Regulação da IA na educação — Regulação da IA na educação
• Supervisão Remota — Supervisão remota de provas e integridade automatizada de exames
• Aprendizagem autodirigida — Aprendizagem autodirigida com IA
• Aprendizagem baseada em problemas — Aprendizagem baseada em problemas com IA
• A docência — Papel do professor em evolução em salas de aula com IA
• Partes interessadas — Guarda-chuva: pessoas e públicos na educação com IA (quem aprende, professores, designers, gestores, formuladores de política)
• Ensino de artes, design e mídia
• Apoio e sucesso dos estudantes — orientação, prospecção, encaminhamento e alocação de apoio — o lado institucional do sucesso estudantil

Artigos conectados

• Faculty Readiness for AI-Supported Teaching and Scalable Online Program Delivery in Higher Education: The EPIQ-AI Framework for Epistemic Integrity — Framework de prontidão docente EPIQ-AI
• AI in the Wild: A Large Scale Analysis of Authentic Interactions of College Students with Generative AI — IA na natureza: uso de IA por estudantes universitários
• A Framework for Institutional Change in the Age of AI — Mudança institucional na era da IA
• Generative AI Availability, Grades, and Student Satisfaction at a Large University — Disponibilidade de IA generativa e satisfação estudantil
• A bit of chaos and madness: The AI Assessment Scale and the work of assessment reform — Escala de avaliação com IA e reforma
• The University AI Didn''t Replace: Rethinking Universities in the AI Era — Repensando universidades na era da IA
• AI Adoption Among Teachers: Insights on Concerns, Support, Confidence, and Attitudes — Adoção de IA entre professores
• 'AI Should Help Them Learn, Not Learn for Them': University Staff Perspectives on the Role of Generative AI in Education — Perspectivas do corpo docente sobre IA generativa no ensino superior
• Exploring Organisational Drivers and Innovation Attributes of Artificial Intelligence Adoption in Higher Education — Fatores organizacionais da adoção de IA no ensino superior
• Is It Ethical for Teachers to Use AI for Student Feedback? — IA no feedback aos estudantes: ética
• Beyond Detection: Redesigning Authentic Assessment in an AI-Mediated World — Além da detecção: redesenhar a avaliação autêntica em um mundo mediado por IA
• "It is a temptation to get it to do the work…" Student Experiences of Navigating the Generative AI Landscape in UK Higher Education: A Cross-Institutional Survey with International Comparison — Experiências com IA generativa entre estudantes do ensino superior do Reino Unido (survey)
• AI skills for college graduates: Exploring how instructors and employers prioritize AI skills differently — Instrutores versus empregadores sobre competências de IA para egressos universitários
• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — Declínio de 26,9% no tempo de estudo entre estudantes universitários
• Artificial Intelligence in UK Higher Educational Policy and Institutional Decision Making — Política de IA no ensino superior do Reino Unido
• Is using artificial intelligence tools for academic work cheating? Student perceptions, ethics, and the impact on academic performance and critical thinking — Ferramentas de IA, trabalho acadêmico e cola
• Assessing the Quality of AI-Generated Exams: A Large-Scale Field Study — Avaliando a qualidade de provas geradas por IA: um estudo de campo em larga escala
• Reconsidering the Use of Oral Exams and Assessments: An Old Way to Move Into a New Future — Reconsiderando as provas orais como avaliação autêntica e resistente à IA
• Assessment twins: An approach for strengthening assessment validity in the age of generative AI — Gêmeos de avaliação para fortalecer a validade da avaliação na era da IA generativa
• Students' Perceptions of Artificial Intelligence Tools for Study Productivity and Learning: An Exploratory Survey Study — Percepções dos estudantes sobre ferramentas de inteligência artificial para produtividade de estudo e aprendizagem: um estudo exploratório com survey
• Understanding what good education is: a phenomenographic investigation of university teachers' understandings of AI — estudo fenomenográfico das concepções de IA de professores universitários
• AI for Education: The Digital Transformation of a Liberal Arts Institution — Implementation at Lingnan University — Transformação digital de uma universidade de artes liberais rumo a um modelo intensivo em pesquisa na era da IA generativa (Qin 2026)
• Mapping artificial intelligence integration in higher education: A systematic review using the FACETS and SAMR frameworks — Revisão sistemática mapeando a integração de IA no ensino superior via frameworks FACETS + SAMR (AlSheikh et al. 2026)
• Navigating uncertainty: university teachers' experiences and perceptions of generative artificial intelligence — Experiências e percepções de professores universitários sobre IA generativa: vulnerabilidade, repensar a avaliação, aprendizagem estudantil em risco (Farazouli et al. 2026)
• GPT-4 feedback increases student activation and learning outcomes in higher education
• Automated Grading of Open-Ended Questions in Higher Education Using GenAI Models
• Innovative assessment and grading practices in higher education: A critical exploration for management educators
• Shaping Responsible GenAI Use in Research Through AI Literacy-Oriented Guidelines: Insights From Postgraduate Students — Uso de IA generativa por pesquisadores de pós-graduação no fluxo de trabalho de pesquisa e diretrizes orientadas ao letramento em IA (Dai e Chan 2026)
• Engagement Intensity as a Learner-Modeling Signal for Adaptive AI Ethics Instruction — Intensidade de engajamento como sinal de modelagem de quem aprende para instrução adaptativa em ética com IA (Oh, Talton e Bui 2026)
• Smaller, Younger, and More Impactful: How AI-Assisted Writing Transforms Research Teams — A escrita assistida por IA desloca as equipes de pesquisa rumo a colaborações menores, com menos peso de autores juniores e altamente citadas (Wang et al. 2026)
• StudentBench: AI and human tutoring yield equivalent GRE learning gains — StudentBench: tutoria por IA e humana geram ganhos de aprendizagem equivalentes no GRE
• From Sentiment Classification to Actionable and Responsible Feedback: A Scoping Review and Evidence Map of NLP in Student Evaluation of Teaching, 2015–2026 — Da classificação de sentimento a feedback acionável e responsável: uma revisão de escopo e mapa de evidências de PLN na avaliação docente pelos estudantes, 2015–2026
• Literacy demands placed on students in student–GenAI entanglements in higher education — As formas Assistente e Habilitadora dominam a pesquisa em IA generativa no ensino superior; os tipos de entrelaçamento marginais permanecem raros por razões institucionais, não técnicas (Sun, Dohn e Rehm 2026)
• Students at Stake: Risks of AI Deployment in Higher Education — Mapa do lado estudantil da implantação de IA em admissões, auxílio financeiro, serviços estudantis e oferta de educação, com uma triagem de aquisição de quatro questões (Student Defense 2026)

A global comparative index measures the discourse–structure gap. Chan (2026) coded the official websites of all 100 Times Higher Education 2026-ranked universities against a 20-indicator AI Institutionalization Index. The symbolic layer is saturated while the structural layer is thin: 100% have an AI task force and a master's AI degree, but only 12% have executive AI leadership, 5% require an introductory AI course for undergraduates, and 0% publish an AI accessibility policy despite 93% deploying AI campus services.

• How colleges and universities are adopting AI in higher education: a global comparative analysis — Chan (2026): AI Institutionalization Index across 100 top-ranked universities; discourse outruns structure, adoption independent of prestige