IA com humano na alça (HITL)

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

Humano na alça — o padrão de desenho em que sistemas de IA educacionais intercalam estrategicamente geração automatizada e julgamento especialista humano, preservando qualidade e segurança pedagógicas ao mesmo tempo em que escalam a produção. Em vez de automatizar plenamente avaliação, feedback ou instrução, o HITL mantém um humano (instrutor, especialista no assunto ou quem aprende) no ciclo de decisão onde seu julgamento tem o maior valor marginal — para avaliar qualidade, arbitrar casos de fronteira e proteger a agência de quem aprende e a segurança. A questão central de desenho não é se incluir humanos, mas onde no pipeline sua supervisão é mais valiosa e menos substituível.

Questões para considerar

• A questão central de desenho do HITL não é se incluir humanos, mas onde no pipeline seu julgamento é mais valioso. Em um sistema de avaliação ou feedback com IA, em que ponto você insistiria que um humano permanecesse na alça?
• Estudos sobre geração de questões por IA concluíram que computadores dão conta bem de clareza e validade, mas humanos ainda são necessários para distratores significativos e bom feedback. Por que algumas partes do julgamento educacional poderiam resistir à automação?
• Uma avaliação concluiu que três LLMs deram recomendações de apoio ao estudante inconsistentes e insensíveis — concluindo que julgamento humano ainda é necessário antes de a IA aconselhar sobre estudantes. Quando uma IA "recomenda" apoio a um estudante em dificuldade, o que pode dar errado se nenhum humano revisa isso?
• A página sugere que humanos e algoritmos captam tipos diferentes de problemas — automatize o que é precisamente verificável, preserve o julgamento onde a nuance é insubstituível. Onde, na sua própria prática, está a fronteira entre os dois?
• Manter um humano na alça é enquadrado como proteção da agência e da segurança de quem aprende, não apenas da qualidade. Como a automação plena poderia mudar sutilmente o senso que os estudantes têm de quem é responsável por sua aprendizagem?
• Se a IA se torna mais autônoma, a supervisão de HITL é descrita como uma salvaguarda central de segurança. Em que nível de autonomia da IA você se sentiria desconfortável — e o que esse desconforto lhe diz sobre onde a supervisão pertence?

Introdução

O HITL é uma resposta aos limites e riscos da IA em educação plenamente autônoma: sistemas automatizados podem gerar em escala, mas carecem do julgamento contextual, ético e pedagógico que instrutores e especialistas trazem. Duas implementações recentes ilustram arquiteturas distintas:

O apoio prescritivo é um domínio em que a supervisão humana é cada vez mais argumentada como não opcional. López-Pernas et al. (2026) testaram se três LLMs conseguiam recomendar planos de apoio ao estudante a partir de indicadores de analytics de aprendizagem e encontraram sensibilidade limitada à necessidade e acentuada inconsistência entre modelos — concluindo que o julgamento com humano na alça ainda é necessário antes de o aconselhamento prescritivo por LLM poder ser implantado de forma segura e ética.

Uma terceira arquitetura coloca o julgamento humano a montante do modelo, e não em sua saída. No estudo de Lee, Atif & Kang (2026) sobre classificação de questões de quem aprende, três especialistas de nível doutoral governaram todo o pipeline: eles refinaram as definições operacionais de cada papel construtivista, rotularam de forma independente até que o kappa de Fleiss subisse de 0,60 para 0,83 após resolução de discrepâncias, e validaram os itens retrotraduzidos e parafraseados usados para balancear o conjunto de treinamento.

CODE-GEN: geração de questões de múltipla escolha com humano na alça

Duan et al. (2026) construíram um sistema agêntico baseado em RAG com dois agentes:

• Agente Gerador — Produz questões de programação de múltipla escolha alinhadas aos objetivos de aprendizagem da disciplina
• Agente Validador — Avalia a qualidade ao longo de sete dimensões pedagógicas

Avaliação: 6 especialistas no assunto julgaram 288 questões geradas por IA. Taxas de sucesso validadas por humanos: 79,9%–98,6% ao longo das dimensões.

Dimensões fortes em IA (baixa carga humana):

• Clareza da questão, validade do código, alinhamento de conceitos, validade da resposta correta

Dimensões que exigem humanos (alta carga humana):

• Desenho pedagogicamente significativo de distratores
• Feedback explicativo de alta qualidade

Insight estratégico: O esforço humano deve ser concentrado onde o julgamento instrucional é insubstituível; a verificação computacional pode ser plenamente automatizada.

MAIC: geração de roteiros com humano na alça

Yu et al. (2024) implantaram uma sala de aula multiagente (Agente Professor, Agente Monitor, arquétipos de colegas de turma) na Universidade Tsinghua com >500 estudantes e >100.000 registros de aprendizagem. Instrutores humanos participam da geração e da supervisão de roteiros, garantindo que a ampliação em massa por IA não desloque a especialização pedagógica.

PedaCo: dupla portaria para geração de vídeo por IA

Kim, Baek e Kwak (2026) estendem o HITL a vídeo instrucional gerado por IA via PedaCo (Cocriação Pedagógica), um pipeline com duas camadas complementares de portaria que instanciam resistência principiada fundamentada na Teoria Cognitiva de Mayer da Aprendizagem Multimídia (CTML). A primeira camada coloca o humano no estágio do roteiro: um LLM redige um roteiro, um revisor de IA sinaliza potenciais violações da CTML (por exemplo, "a Cena 3 introduz termos técnicos sem explicação prévia"), e o educador decide aceitar, revisar ou regenerar. A segunda camada executa métricas automatizadas pós-síntese sobre coerência, redundância, contiguidade temporal, modalidade e qualidade de imagem, que o educador revisa. Em um estudo intra-sujeito (23 educadores), a abordagem baseada em revisão melhorou todo princípio da CTML (avaliação média 3,07→3,86, p<,01), com educadores avaliando a eficiência de produção em 4,26/5 — atrito percebido como produtivo, e não oneroso. O princípio de desenho ecoa a síntese de HITL desta base de conhecimento: humanos e algoritmos captam diferentes tipos de problemas, portanto os sistemas mais eficazes automatizam onde a verificação computacional é precisa (sincronização temporal) e preservam o julgamento humano onde a nuance pedagógica é insubstituível (tom, adequação ao público).

O posicionamento pode importar mais que a presença: profissionais avaliaram uma ferramenta de autoria de Histórias Sociais como altamente usável (SUS 86,8), mas relataram que a revisão chegava tarde demais, porque restrições culturais e clínicas definidas antes da geração — um abaya em vez de roupa de rua ocidental — são mais difíceis de recuperar editando a saída depois (Enkhjargal et al. (2026)).

Por que o HITL importa na era da IA

O desenho com humano na alça tornou-se central para as discussões desta base de conhecimento sobre IA agêntica e uso responsável de IA por várias razões convergentes:

• Segurança pedagógica. A segurança pedagógica exige que IA com autoridade instrucional real mantenha supervisão humana, de modo que erros, vieses ou saídas prejudiciais sejam captados antes de chegar a quem aprende. Isso é especialmente importante para agentes autônomos que perseguem objetivos proativamente.

• A supervisão é rara na prática, não apenas na teoria. Wang et al. (2026) concluíram que governança embutida robusta e supervisão com humano na alça raramente se manifestavam ao longo de 474 sistemas educacionais de IA agêntica, mesmo enquanto autonomia de tarefa única e colaboração multiagente cresciam — a lacuna entre o princípio de desenho e a prática implantada.

• Validade e controle de qualidade. O HITL é um portão de qualidade para avaliação automatizada e geração — humanos arbitram onde a correção automatizada é não confiável (ver a pesquisa sobre correção de redações por LLM) e validam itens gerados. Uma revisão sistemática guiada pela PRISMA de 42 estudos de correção e feedback (2023–2025) chega explicitamente à mesma conclusão: os LLMs igualam corretores humanos em tarefas curtas e bem estruturadas, mas não conseguem substituir plenamente o julgamento humano em trabalho complexo, aberto ou subjetivo, e a maior eficácia de correção é alcançada em sistemas híbridos que combinam correção impulsionada por IA com supervisão e verificação do professor (Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback). Falahat et al. (2026) mostram concretamente onde essa fronteira cai: o ChatGPT-5 igualou o corpo docente em itens objetivos de provas de farmácia (CCC 0,935–1,000), mas foi não confiável em itens de resposta curta e de redação mesmo quando recebeu uma rubrica, levando os autores a recomendar correção híbrida com revisão humana para avaliação complexa, subjetiva ou de alto impacto. A repetição não substitui essa supervisão: ao repontuar submissões idênticas em cinco dias diferentes, o mesmo modelo reproduziu seus próprios resultados em apenas alfa de Krippendorff 0,625, com variação concentrada nas notas intermediárias e A e F ausentes das contagens das cinco sessões (Brevik et al. (2026)).

• Agência de quem aprende. Manter um humano na alça preserva a agência e apoia a aprendizagem autorregulada, contrapondo-se à dependência excessiva que a assistência plenamente autônoma pode induzir.

• São os próprios estudantes que colocam o humano na ponta de alto impacto. Entre 93 graduandos, 81,7% preferiram correção humana para um trabalho final que valia 40% da nota, 75 de 93 quiseram que a IA auxiliassem em vez de substituir os corretores, e 69 quiseram que a correção por IA fosse sempre revisada por humanos (Yildirim-Erbasli et al. (2026)).

• Confiança e calibração. A supervisão humana transparente apoia a calibração da confiança — quem aprende e quem ensina sabem que um humano qualificado está por trás do sistema.

• Critérios visíveis antes da revisão elevam a concordância. Coscia et al. (2026) concluíram que expor métricas de confiabilidade aos revisores enquanto eles comparavam respostas de LLM elevou a concordância interavaliadores do alfa de Krippendorff 0,3987 para 0,4931, enquanto acrescentar mais medidas adicionava sobrecarga cognitiva sem retorno.

• Agência delimitada como arquitetura, e não como ressalva. O framework AGAI-HE de Ilieva et al. (2026) para apoio agêntico à aprendizagem embute a supervisão no próprio modelo, como uma terceira camada ao lado das camadas de fluxo pedagógico e apoio agêntico: ele define uso aceitável de IA, fronteiras pedagógicas, regras de privacidade, exigências de divulgação, verificação de fontes, pontos de controle do instrutor, mecanismos de integridade e responsabilização humana final, e exige que toda função agêntica remonte a uma exigência de aprendizagem, propósito de avaliação ou controle de governança. É uma instanciação concreta do princípio de que o HITL é uma propriedade de desenho de sistema, e não uma declaração de política — e o estudo de percepção dos autores com 130 estudantes é um lembrete de que acrescentar orquestração agêntica sob essa supervisão não se registrou, por si só, como apoio de aprendizagem melhor que um chatbot.

• Com que frequência o humano olha é, ela própria, uma decisão de desenho. Venetsanos (2026) separa a frequência da supervisão de seu posicionamento: o HITL de alta frequência, revisando toda saída de IA antes de chegar aos estudantes, compra controle de qualidade, detecção rápida de erros, responsabilização e calibração contínua, mas pode anular a eficiência que motivou a automação e gargalizar períodos de pico de correção; o HITL de baixa frequência, verificando amostras por amostragem e revisando apenas casos sinalizados, escala e encurta o prazo de resposta, mas arrisca erros se propagando sem detecção pelas submissões, enfraquece a responsabilização e cria um problema de equidade se alguns estudantes recebem revisão humana mais minuciosa que outros. Em vez de prescrever uma resposta universal, o framework exige que a troca seja feita explicitamente contra as tolerâncias de erro disciplinares, se a avaliação é formativa ou somativa, o tamanho da coorte e os recursos institucionais — e fixa um padrão na direção oposta ao argumento usual de eficiência: comece com supervisão de alta frequência e a reduza apenas quando evidência substancial demonstrar confiabilidade, segurança e justiça aceitáveis, de modo que o ônus da prova recaia sobre mostrar que menos supervisão é segura. O artigo também alerta que os princípios por trás de tal supervisão podem deslocar o esforço da equipe em vez de reduzi-lo, deixando os ganhos líquidos de eficiência uma questão empírica em aberto.

• A supervisão humana implantada pode significar roteamento de aprovação em vez de julgamento de qualidade: em um sistema híbrido de consultas, o campo de aceitação codificava apenas se o resolvedor diferia do perguntante, e nenhuma medida avaliava a qualidade da resposta Gupta et al. (2026).

Onde o HITL aparece na pesquisa desta base de conhecimento

• Avaliação e correção automatizadas: sistemas de HITL combinam geração/correção por IA com validação humana ao longo da correção de respostas curtas (Confidence Estimation in Automatic Short Answer Grading with LLMs), da avaliação de autoexplicações (Exploring the Effectiveness of Using LLMs for Automated Assessment of Student Self Explanations in Programming Education) e da correção de redações (PsyScore: A Psychometrically-Aware Framework for Trait-Adaptive Essay Scoring and ZPD-Scaffolded Feedback). Cvengros & Kortemeyer instanciam isso na correção manuscrita de química geral de alto impacto: como a confiabilidade de um LLM multimodal varia por formato de resposta (respostas textuais e de reação química são confiáveis, enquanto desenho e gráficos pontuam pior que o aleatório) e falsos positivos passam não detectados pelos estudantes, eles convertem notas brutas de IA em uma política seletiva de aceitar/adiar usando filtros de confiança — limiares de crédito parcial, um limiar de risco baseado em IRT e exclusão por tipo de problema —, adiando itens incertos e gráficos aos humanos, abordagem que os autores atrelam a frameworks regulatórios que designam a IA na avaliação educacional como de alto risco e exigem supervisão humana documentada.

• Sistemas de feedback: exigem supervisão humana documentada.

• Correção HITL operacional em uma avaliação nacional (2026): Curi et al. (2026) instanciam o HITL em escala institucional na prova Acredita EB do Uruguai. Como os erros do corretor por LLM são sistematicamente conservadores (subpontuação), o fluxo de trabalho usa uma lógica de ponto de decisão que roteia revisão humana exatamente aos candidatos cujo resultado de aprovação/reprovação depende da seção de Escrita — respostas aprovadas marcadas pela IA são aceitas com confiança, enquanto reprovações marcadas pela IA (15,3–16,5% dos casos) são verificadas por corretores especialistas, cortando a carga de correção integral em ≥50% com risco residual de aprovação por erro de IA de apenas 0,2–0,6%. Esse é o HITL como estratégia de alocação de recursos: humanos arbitram precisamente onde o viés conservador da IA alteraria de outra forma desfechos de alto impacto.

• Derivando o limiar de adiamento da própria resolução da rubrica (2026). Cruz et al. (2026) fixaram a tolerância IA–instrutor em 0,5 pontos — a maior discrepância que não pode mover uma submissão através de uma faixa de âncora — e escalaram outliers a 0,8 pontos, enviando 11 de 362 submissões (3,0%) à revisão humana antes de o feedback ser liberado.

• Concordância entre anotadores não é verdade humana de referência. Bernado et al. (2026) empurram a anotação por modelo para a camada de auditoria sem nunca validá-la contra rótulos humanos de referência, deixando a concordância entre modelos (mediana 0,401) como proxy da qualidade de asserção, proxy do qual erros compartilhados de modelo podem sobreviver. Seu desenho mantém a supervisão diagnóstica em vez de decorativa: como os julgamentos intermediários são explícitos, um revisor pode ver quais comportamentos dispararam e separar um comportamento mal lido de uma regra que codifica mal o constructo.

• Sistemas de feedback: o desenho de feedback com humano na alça aparece em sistemas de feedback colaborativo e na correção de respostas curtas consciente de confiança.

• Apoio à colaboração em sala de aula. CoBi mantém o professor como o humano que revisa em um sistema de IA que detecta discurso de pequenos grupos que eleva: os professores favoreceram explicitamente a revisão pré/pós-ação em vez da exibição ao vivo em tempo real que os colocaria "no alvo", e é precisamente o feedback agregado no nível da turma (e não individual) que lhe permite navegar a tensão entre privacidade, vigilância e agência dos estudantes.

• Geração de questões e conteúdo: além do CODE-GEN, o HITL guia a geração de questões para avaliação e andaimes (CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation, From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations).

• Sistemas agênticos e multiagentes: à medida que a IA se torna mais autônoma, a supervisão de HITL é uma salvaguarda de desenho central (Agentic AI and Pedagogical Best Practice: The Tension Between Automation and Learning, Beyond Access: Guided LLM Scaffolding for Independent Learning in Undergraduate Statistics).

• Roteamento por consequência da decisão, e não por incerteza do modelo (2026). Um estudo operacional de 2026 da prova nacional de credenciamento Acredita EB do Uruguai (duas edições, cerca de 5.000–6.000 candidatos cada) mostra como é o desenho com humano na alça quando ele é impulsionado pelas consequências da decisão, e não pela incerteza do modelo. Um corretor GPT-5 concordou com corretores especialistas em 60–80% dos 15 itens da rubrica, mas foi sistematicamente conservador, produzindo discrepâncias humano-aprova/IA-reprova em 15,3% (2024) e 16,5% (2025) das comparações de aprovação/reprovação e quase nunca o inverso. O framework, portanto, aceita resultados de aprovação da IA pelo valor de face e roteia todo resultado de reprovação da IA que poderia mudar o desfecho de um candidato para revisão especialista — depois de primeiro pular candidatos cuja aprovação/reprovação não pode depender da seção de escrita —, cortando as respostas que precisam de correção humana integral em pelo menos 50%. Um segundo desenho de 2026 traça a fronteira do outro lado: em uma plataforma multiagente de paciente padronizado por IA (Yang et al.), a supervisão humana é reservada ao que se julga a IA incapaz de decidir, com corpo docente e pacientes padronizados humanos fornecendo interpretação contextual, remediação e julgamentos de prontidão, e ao sistema sendo explicitamente vedado determinar competência clínica autonomamente.

Síntese

O desenho com humano na alça não é meramente uma medida de segurança — é uma estratégia de alocação de recursos. A questão de fronteira não é se incluir humanos, mas onde no pipeline seu julgamento tem o maior valor marginal. Os sistemas de HITL mais eficazes concentram a escassa especialização humana onde os sistemas automatizados são mais fracos (desenho de distratores, feedback explicativo, arbitragem de casos de fronteira, julgamento ético) e automatizam o resto — preservando qualidade, segurança e confiança ao mesmo tempo em que escalam a produção.

• A supervisão humana persiste no trabalho assistido por IA. A pesquisa sobre revisões sistemáticas concluiu que ferramentas de automação com IA reduziram encargos procedimentais (por exemplo, triagem), mas decisões interpretativas ainda exigiram supervisão humana substancial; a pesquisa em andragogia faz do humano-na-alça (modelos mentais compartilhados, cocriação) um princípio central de desenho de IA.
• Humano-na-alça em escala institucional. Qin (2026) descreve como a Universidade Lingnan desenvolveu um modelo educacional com humano-na-alça que coloca em primeiro plano raciocínio ético, julgamento crítico e responsabilidade social ao mesmo tempo em que democratiza o acesso à IA generativa. O modelo posiciona os humanos como o locus do julgamento e dos valores mesmo enquanto a IA é embutida ao longo do currículo — uma instanciação institucional concreta dos princípios de humano-na-alça no ensino superior.
• Quem aprende como o humano-na-alça de sua própria tutoria. O Desenho Sensível a Valores com estudantes de community college produziu toda uma família de recursos de HITL voltados a quem aprende para um ITS (controle sobre reavaliação e revisão, metas/ritmo personalizados, marcação para revisão, confirmação de confiança sobre domínio e um controle de nível de envolvimento da assistência de IA), posicionando o estudante como controlador ativo do ciclo de tutoria, e não como consumidor passivo de decisões adaptativas. O estudo também concluiu que instrutores estavam divididos sobre se tal controle de quem aprende poderia minar a integridade do caminho de aprendizagem guiado pelo sistema — uma instância da questão mais ampla de alocação de recursos sobre onde o julgamento humano (de quem aprende vs. do professor) agrega mais valor.
• A escalada de IA para especialista é um movimento de humano-na-alça. O framework SCAN atribui tarefas a quatro modos de IA generativa pela distância de quem aprende, e lê engajamento passivo dentro de uma tarefa de IA corretamente atribuída como sinal de descompetenciação para deslocar quem aprende da assistência de IA para a de especialistas, com um humano como auditor epistêmico (Tsim et al. (2026)).
• Supervisão de conselhos de adoção de IA. Como sistemas de IA conversacional consultados por usuários céticos podem estar predispostos a encorajar a adoção, supervisão humana e avaliação independente são essenciais. Uma auditoria que mostra a maioria dos modelos de fronteira redirecionando equipes rurais céticas do K-12 rumo ao engajamento sublinha a necessidade de conselho de IA transparente e auditável, em vez de confiança acrítica.

Conceitos conectados

• Padrões pedagógicos — Onde a revisão humana se situa em sequências testadas, e o que nunca foi testado isoladamente
• Salvaguardas
• Avaliação formativa
• Avaliação automatizada
• Andaime (Scaffolding)
• A docência
• Letramento em IA
• Tutoria inteligente
• Retroalimentação (Feedback)
• Experiência dos estudantes
• Aprendizagem autorregulada
• Metacognição
• Desenvolvimento educacional
• IA generativa
• Autonomia de quem aprende
• Segurança pedagógica
• Calibração da confiança
• IA agêntica
• Descarregamento cognitivo
• Rendição cognitiva
• Apoio e sucesso dos estudantes — julgamento humano dentro de um fluxo automatizado de apoio

Artigos conectados

• Analysing AI utilisation in education through learner question types: A constructivist approach — Classificação de questões rotulada por especialistas: humanos governam rotulação, aumento de dados e análise de erro (Lee, Atif & Kang 2026)

• Agentic Generative AI in Higher Education: Perceived Benefits, Risks, and Implications for Learning — Supervisão e governança humanas como a terceira camada do desenho de curso com GAI agêntica (Ilieva et al. 2026)

• Value-Sensitive Design in Action: Designing Student-Centered Intelligent Tutoring Systems with Community College Students and Instructors — Desenho sensível a valores de ITS centrado no estudante (quem aprende no ciclo de tutoria)

• A Human-in-the-Loop Framework for AI-Assisted Scoring in Large-Scale Writing Assessment — Correção assistida por IA com HITL em uma avaliação nacional de escrita em larga escala (Curi et al. 2026)

• AI as Teammate: Rethinking Task Distribution in Medical Training — Framework SCAN: repensando a distribuição de tarefas de IA no treinamento médico (Tsim et al. 2026)

• A scoping review of generative AI-powered agentic AI in education: Research landscape, agentic capabilities, and insights from the frontier agent paradigm, exemplified by OpenClaw

• AICoFe: Implementation and Deployment of an AI-Based Collaborative Feedback System for Higher Education

• Calibrating Trustworthiness: Co-Designing Metrics and Visualizations for Evaluating LLMs in Education

• CODE-GEN: A Human-in-the-Loop RAG-Based Agentic AI System for Multiple-Choice Question Generation

• Confidence Estimation in Automatic Short Answer Grading with LLMs

• TeachArena: Are Language Agents Ready for Realistic Teaching Work?

• From Evaluated Models to Evaluation Aids: A Multi-Evidence Study of LLM-Based Difficulty Calibration for Programming Examinations

• LLMs Do Not Grade Essays Like Humans — LLMs não corrigem redações como humanos (Mathew et al. 2026)

• Adult Learners' Perspectives of AI Applications in Supporting Andragogy — Aplicações de IA no apoio à andragogia (Kim et al. 2026)

• Scaffolding Systematic Reviews in Learning Design and Technology Through Mentoring and AI Integration — Andaimes para revisões sistemáticas com mentoria e IA (Wang 2026)

• AI-assisted, instructor-supervised grading and feedback in higher education: Design and evaluation of an end-to-end pipeline — Correção e feedback supervisionados por instrutor com IA

• Can AI deliver appropriate support for diverse student profiles? A large-scale evaluation — A IA pode entregar apoio apropriado a perfis diversos de estudantes? Uma avaliação em larga escala

• A Feasibility and Implementation Integrity Study of the Community Builder (CoBi): An AI-based Collaboration Support System in K-12 Classrooms

• Assisting the grading of a handwritten general chemistry exam with artificial intelligence

• Bridging technology and education: The use of ChatGPT in grading pharmacy student exams

• Can ChatGPT Replace the Teacher in Assessment? A Review of Research on the Use of Large Language Models in Grading and Providing Feedback

• Evaluating Scaffolding-Oriented Multi-Agent Large Language Model System for Clinical Interview Training — Avaliando um sistema multiagente de grandes modelos de linguagem orientado a andaimes para treinamento de entrevista clínica

• A Tripartite Feedback Framework for AI-Assisted Assessment of Complex Reports in Higher Education — Framework tripartido: classificando o feedback por status epistêmico e os cinco princípios de fronteira para o envolvimento da IA (Venetsanos 2026)

• AI-Assisted Social Story Intervention for Special Education: The Design of AdaptED Stories — Intervenção de História Social assistida por IA para educação especial: o desenho do AdaptED Stories

• EduBehaviors: Assertion-based Schemas for Auditable Coding of Educational Dialogues — EduBehaviors: esquemas baseados em asserção para codificação auditável de diálogos educacionais

• 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 evidência de PLN na avaliação do ensino por estudantes, 2015–2026

• Large language models as grading assistants in public health education: a method-comparison study of essay-style exam assessment — Reexecuções idênticas de correção por LLM em dias diferentes se reproduzem em apenas alfa de Krippendorff 0,625

• When Do Undergraduate Students Prefer AI? Insights into AI Scoring and Feedback — Graduandos preferem correção humana para trabalho de alto impacto e IA como assistente, não como substituta

• What Students Actually Ask: Demand Structure and Automation Potential in a Hybrid Support System — O que os estudantes realmente perguntam: estrutura de demanda e potencial de automação em um sistema híbrido de apoio

• The critical question is how the loop is made actionable, not how much humans participate. A learning-sciences view argues that organizing learning around data capture, computational interpretation and probable response makes pedagogical action depend on what systems can detect and act upon, and that alerts and engagement classifications interpret the learner before any teacher or student acts (Pande (2026)).

• Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective — Rethinking "In-The-Loop" Approaches in Educational AI: A Learning Sciences Perspective