Aprendizagem baseada em investigação

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

Aprendizagem baseada em investigação (IBL) — uma pedagogia centrada no estudante em que os estudantes desenvolvem compreensão ao colocar questões, explorar de forma independente e construir conhecimento por meio de um ciclo de investigação, reflexão e revisão, com o instrutor a andaimentar em vez de dar aula. Na era da IA, a estrutura da IBL, movida por questões e centrada na exploração, tornou-se um ponto focal: as ferramentas de IA generativa e de LLM podem servir como "co-investigadores" interativos que apoiam o questionamento e a investigação — mas apenas quando desenhadas para preservar, e não para contornar, o trabalho cognitivo da investigação.

Perguntas para refletir

• A aprendizagem baseada em investigação se centra nas questões colocadas pelo estudante e no próprio processo de investigação. Como é diferente uma aprendizagem movida pela sua própria questão de uma movida pela questão de outra pessoa?
• A página pergunta se a IA serve como "co-investigador" que apoia sua investigação ou como substituta que contorna o trabalho cognitivo. Quando você usa a IA para explorar uma questão, quem está investigando?
• A evidência sobre a investigação apoiada por IA é mista: ela melhorou o desempenho criativo e as atitudes, mas não a resolução crítica de problemas em um estudo, e aprofundou a compreensão conceitual sem aumentar o letramento em IA em outro. O que isso sugere sobre o que a IA sozinha pode e não pode desenvolver?
• Se tratar o produto da IA como autoritativo arrisca excesso de confiança e conclusões superficiais, como você ensinaria os estudantes a avaliar respostas geradas por IA como parte do ciclo de investigação?
• A página conecta a investigação à falha produtiva — estudantes explorando antes da instrução, de modo que a própria dificuldade prepara a aprendizagem. Como uma IA que retém respostas e elicia múltiplas tentativas poderia apoiar essa dificuldade em vez de removê-la?
• Qual é o papel do facilitador quando a IA reduz o atrito de fazer perguntas? Se os estudantes conseguem respostas instantâneas, o que o instrutor precisa agora andaimentar que não precisava antes?

Introdução

A aprendizagem baseada em investigação se centra nas questões colocadas pelo estudante e no próprio processo de investigação, tipicamente avançando por fases (orientação → conceituação → investigação → discussão → conclusão). Ela é a família mais ampla dentro da qual a aprendizagem baseada em problemas e a aprendizagem baseada em projetos frequentemente se aninham: a IBL enfatiza o processo de questionamento e descoberta, a PBL o problema mal-estruturado e a aprendizagem baseada em projetos o artefato tangível.

Como a aprendizagem baseada em investigação aparece na base de conhecimento

A IA como co-investigador. Uma revisão sistemática do ChatGPT para a aprendizagem baseada em investigação em STEAM (The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education, 24 estudos) constatou que o ChatGPT foi usado principalmente nas fases de conceituação, investigação e discussão — como ferramenta de aprendizagem, tutor, par de aprendizagem, especialista de domínio e assistente de ensino —, melhorando desempenho, pensamento crítico, engajamento e motivação, ao mesmo tempo que colocava riscos de excesso de confiança, alucinação e conclusões superficiais quando o produto era tratado como autoritativo.

A colocação de problemas como ponto de partida. Um quase-experimento com 97 alunos do terceiro ano (Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science) mostrou que os chatbots de GenAI superaram significativamente os motores de busca na colocação de problemas de ciências, melhorando a qualidade das questões e produzindo redes epistêmicas mais integradas, ao mesmo tempo que reduziram a carga cognitiva.

Padrões de nível cognitivo na IBL movida por LLM. Um estudo exploratório de 117 transcrições de entrevista e registros de interação (Luo et al.) identificou 14 padrões de interação ao longo dos níveis cognitivos de Bloom, mostrando como o conhecimento prévio dos estudantes molda o uso de LLM e destacando a necessidade de andaimento que mire os estágios de pensamento de ordem superior e mitigue o excesso de confiança.

A evidência de resultados é mista. Um experimento de IBL apoiada por IA na matemática (Mujib et al.) melhorou o desempenho e as atitudes matemáticas criativas, mas não as habilidades de resolução crítica de problemas — sugerindo que a IBL apoiada por IA apoia principalmente a criatividade e o desenvolvimento afetivo. Uma meta-análise de 29 experimentos (Zhao et al.) constatou que a GenAI tem um efeito positivo moderado sobre o pensamento de ordem superior, mais forte para a resolução de problemas e com intervenções de 8–16 semanas e estudantes com mais autorregulação se beneficiando mais. Um quase-experimento com 48 futuros professores de ciências na Turquia (Aydın) usando um programa de investigação guiada apoiada por IA de 8 semanas (integrando aprendizagem baseada em problemas e em desenho) encontrou ganhos significativos de grupo-por-tempo na compreensão conceitual de fotossíntese e respiração celular, mas nenhum efeito significativo no letramento em IA nem no pensamento computacional autopercebido — evidência de que a IBL apoiada por IA pode aprofundar a compreensão de domínio, enquanto o desenvolvimento das competências de IA/PC exige desenho mais explícito e direcionado.

Gousopoulos (2026) isolou a contribuição da IA da própria investigação em um estudo climático de três grupos: a investigação assistida por IA superou os pares apenas com investigação na tomada de decisão (d = 0,69), com os maiores ganhos em monitoramento e gestão adaptativa (d = 1,37), enquanto a coleta básica de dados melhorou igualmente em todas as condições.

Equidade e contexto. Um framework conceitual faz a ponte entre a cocriação com IA generativa e as práticas educacionais abertas para apoiar o ensino STEM conduzido pela investigação em contextos com poucos recursos, usando simulações geradas por IA, multilíngues e contextualmente relevantes.

Comparação de evidências andaimentada por IA. An e colegas (2026) mostram como um sistema de extração de informações movido por IA desloca a revisão de literatura de graduação da sumarização para a organização e comparação de evidências — estudantes passando da leitura isolada para a comparação entre estudos e a justificativa baseada em evidências, em apoio à aprendizagem baseada em pesquisa e à conclusão da tese. Isso concretiza como a IA pode andaimentar processos de investigação na pesquisa de graduação em STEM.

Por que a aprendizagem baseada em investigação importa para a integração da IA

A estrutura da IBL, movida por questões e focada no processo, é a casa natural para o uso produtivo da IA: os estudantes aprendem com a IA como parceira, e não dela como substituta. A evidência da base de conhecimento converge em uma tensão central — a IA pode reduzir o atrito da recuperação de informação e da formulação de questões (reduzindo a carga cognitiva e possibilitando reflexão mais profunda), mas, sem andaimento de desenho, arrisca o excesso de confiança e o contorno da cognição de ordem superior. O papel do facilitador, o desenho dos andaimentos e o ensino explícito de habilidades de avaliação são as alavancas que decidem se a IA aprofunda ou desloca a investigação.

Falha produtiva e investigação

A falha produtiva (PF) é a prima mais estruturada da aprendizagem baseada em investigação: os estudantes exploram problemas e geram soluções antes da instrução direta, depois consolidam. Ambas compartilham a premissa de que as tentativas geradas pelo estudante (mesmo as fracassadas) ativam o conhecimento prévio e preparam os estudantes para aprender com a instrução. A pesquisa sobre FP da era da IA afia como a IA deveria andaimentar a investigação sem atalhá-la: Kim et al. (2026) derivam princípios de desenho de IA para preservar a dificuldade por meio da exploração de problemas e da geração de soluções; Puech et al. (2025) mostram que tutores de LLM podem ser orientados a reter respostas e eliciar múltiplas tentativas; as tarefas de pista-antes-da-correção exemplificam o andaimento baseado em pistas (em vez do direto) que mantém os estudantes fazendo o raciocínio. Esses trabalhos conectam a investigação e a FP ao imperativo mais amplo de que a IA não deve remover as dificuldades produtivas através das quais a aprendizagem durável se forma.

Em contextos de campo ao ar livre, o mesmo imperativo se torna espacial: a GenAI pode pré-estruturar o que os estudantes notam antes de encontrarem a evidência, então uma sequência campo-primeiro que retém a explicação gerada até que observações e interpretações iniciais sejam registradas protege a investigação (Choi, 2026)).

Conceitos conectados

• Aprendizagem baseada em problemas
• Aprendizagem Baseada em Projetos
• Aprendizagem ativa
• Pensamento crítico
• Metacognição
• Aprendizagem autorregulada
• Andaime (Scaffolding)
• Descarregamento cognitivo
• IA generativa
• Grandes modelos de linguagem (LLMs)
• Educação em STEM
• Aprendizagem colaborativa
• Ensino superior
• K-12 (educação básica e média)
• Falência produtiva — Falha produtiva

Artigos conectados

• The AI-Powered Co-inquirer: A Systematic Review of ChatGPT for Inquiry-Based Learning in STEAM Education — ChatGPT para a aprendizagem baseada em investigação em STEAM (revisão sistemática)
• Inquiry-Based Learning in STEM Education: The Impact of Generative AI-Based Chatbots on Primary School Students' Problem Posing Ability in Science — Chatbots de GenAI e colocação de problemas nas ciências do ensino fundamental
• Inquiry-Based Learning Patterns in Large Language Model-Driven Learning Environments: An Exploratory Study From Bloom's Perspective — Padrões de IBL em ambientes movidos por LLM (perspectiva de Bloom)
• Evaluating the Impact of AI-Supported Inquiry-Based Learning on Students' Creative Mathematical Performance, Critical Problem-Solving Skills, and Attitudes Toward Mathematics — IBL apoiada por IA e desempenho matemático criativo
• Does Generative Artificial Intelligence Improve Students' Higher-Order Thinking? A Meta-Analysis Based on 29 Experiments and Quasi-Experiments — Meta-análise de GenAI e pensamento de ordem superior
• STEAM Education for AI Literacy: A Systematic Literature Review — Educação STEAM para o letramento em IA
• Designing AI systems to support a productive-failure-based learning: insights from adult learners on AI applications — Desenhando sistemas de IA para apoiar a aprendizagem baseada na falha produtiva
• Towards the Pedagogical Steering of Large Language Models for Tutoring: A Case Study with Modeling Productive Failure — Orientação pedagógica de LLMs para a falha produtiva
• Clue before correction: ChatGPT-enhanced strategy for promoting autonomous and reflective language learning — Pista antes da correção: ChatGPT para a aprendizagem autônoma de línguas
• AI-Supported Inquiry-Based Learning in Photosynthesis and Respiration: Implications for Sustainable Science Teacher Education — Investigação guiada apoiada por IA em fotossíntese e respiração (formação de professores de ciências)
• From Literature to Research-Based Learning: An AI-Powered Information Extraction System to Enhance Undergraduate Thesis Completion — Extração de informações movida por IA apoiando a tese de graduação e a aprendizagem baseada em pesquisa (An et al. 2026)
• Can AI-Assisted Inquiry Enhance Students' Decision-Making Skills in Socio-Scientific Issues? A Three-Group Experimental Study on Climate Change — Investigação assistida por IA em questões sociocientíficas sobre mudança climática
• Reconceptualizing outdoor geoscience learning for the generative AI era: a human-centered instructional model — Um modelo instrucional campo-primeiro que impede a GenAI de pré-estruturar o que os estudantes notam (Choi 2026)