K-12 (educação básica e média)

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

K-12 — o uso da inteligência artificial na educação primária e secundária, abrangendo currículos de letramento em IA, tutoria com IA, apoio ao professor e considerações de segurança únicas dos estudantes mais jovens. Uma revisão sistemática de 2026 guiada pela PRISMA, com 197 estudos (2016–2024), organiza o campo em torno de quatro domínios de oportunidade — personalização, motivação, avaliação e práticas de ensino inovadoras —, ao mesmo tempo que sinaliza lacunas persistentes na formação de professores, nas diretrizes éticas ministeriais e no equilíbrio entre disciplinas.

Perguntas para refletir

• O uso de IA no K-12 exige proteções de segurança mais fortes do que no ensino superior, porque os estudantes mais jovens são os menos equipados para detectar IA insegura ou manipuladora. Como isso muda o que "seguro" precisa significar para ferramentas usadas por crianças?
• As revisões sistemáticas constatam que a base de evidências do K-12 se concentra esmagadoramente no STEM, deixando as artes e as humanidades em grande parte não estudadas. O que uma base de evidências de IA no K-12 com equilíbrio entre disciplinas poderia revelar que os estudos só de STEM perdem?
• A pesquisa constata que professores superestimam sistematicamente sua competência em IA — uma lacuna de cerca de 40% entre autorrelato e desempenho —, mas um treinamento curto produz integração substancialmente maior. O que essa lacuna pode significar para como as escolas preparam os professores?
• A maioria das ferramentas de IA centra perspectivas dominantes, mas 78% dos professores de um estudo acharam a IA útil para a pedagogia culturalmente relevante. Como uma ferramenta que assume por padrão visões dominantes pode ser conduzida a ampliar a representação em vez de estreitá-la?
• A evidência sugere que terceirizar o trabalho para a IA pode prejudicar a aprendizagem, especialmente para estudantes mais velhos — mas estudantes mais jovens podem ser menos afetados. Por que a penalidade de aprendizagem do uso de IA poderia diferir por idade, e o que isso implica para o desenho?
• A revisão do K-12 identifica oito lacunas de pesquisa pouco exploradas, desde os exemplos concretos ausentes de unidades de ensino até a subutilização de robótica, wearables e comunicação móvel. Qual dessas lacunas mais limita o que as escolas podem fazer hoje?
• As políticas de IA institucionais frequentemente carecem de orientação de implementação. O que seria necessário para transformar um documento de política de IA do K-12 em práticas concretas de sala de aula e em formação de professores — e por que essa tradução falha tão frequentemente?

Introdução

O cenário da evidência

Uma revisão sistemática de 2026 guiada pela PRISMA (Marzano, 197 estudos, 2016–2024) ancora agora a base de evidências do K-12, complementando sínteses anteriores de grande porte, como a revisão rápida da GenAI e de estudantes do PreK-12 e a base de evidências de IA no K-12 agregada. Sua estrutura de quatro questões organiza o campo em quatro domínios de oportunidade — personalizar a aprendizagem, motivar os estudantes, melhorar a avaliação e possibilitar ensino inovador e imersivo —, com o ChatGPT como caso emblemático estudado em grande parte dos artigos incluídos.

O achado central da revisão é uma forte assimetria: a promessa da GAI nas escolas é ampla e bem documentada, mas a evidência da prática cotidiana em sala de aula é fina, concentrada no STEM e distorcida pela escassez de exemplos concretos de unidades de ensino e de formação prática de professores. Essa lacuna entre aspiração e implementação é a característica definidora da pesquisa em GenAI no K-12.

Uma síntese do lado do professor acrescenta a camada que as revisões focadas em ferramentas deixam de fora. Uma revisão PRISMA de 29 estudos de intervenção do professor na instrução com IA no K-12 constata que o produto da IA — alertas, painéis, notas automatizadas, feedback de chatbot — só se torna ensino por meio de um ciclo de monitoramento, julgamento, intervenção e orquestração, e que os benefícios relatados para desempenho, participação e confiança dos estudantes são condicionais à interpretabilidade da informação, ao momento da intervenção, ao nível mirado, à viabilidade de implementação pelos professores e à autonomia dos estudantes. Seu corpus está concentrado nos mesmos lugares da base de evidências mais ampla do K-12: matemática e ciências/STEM, anos do ensino fundamental e médio, e contextos dos Estados Unidos.

Considerações distintivas do K-12

• Segurança e salvaguardas: o uso de IA no K-12 exige proteções mais fortes de segurança pedagógica. O EduZone, o EduGuard e a pesquisa sobre danos dos tutores abordam especificamente a interação com IA segura para crianças.
• Currículos de letramento em IA: os módulos de letramento em IA para o K-12 desenvolvem compreensão da IA apropriada à idade, enquanto o framework de vibe coding empodera os professores a criarem suas próprias ferramentas de IA. Um estudo quase-experimental de um programa de letramento crítico em mídia de 18 horas com modelo 5E para estudantes turcos do quarto ano (Demir & Akar 2026) incorporou a IA generativa (ChatGPT, Grammarly, Canva AI, Padlet) fase por fase como agente pedagógico alinhado aos currículos de Língua Turca e Estudos Sociais, produzindo grandes ganhos em leitura de mídia (+3,50), escrita (+1,67) e letramento total em mídia (+5,17, todos p < .01), com tamanhos de efeito entre grupos de d de Cohen = 1,12–1,31, e crescimento qualitativo em seis domínios do letramento crítico em mídia (autoproteção digital e privacidade de dados, uso de mídia proposital e responsável, comunicação segura e consciência de limites, avaliação crítica e consciência de desinformação, consciência de riscos on-line e ética da mídia/cidadania digital) — evidência de que currículos de letramento em IA apropriados à idade e incorporados à disciplina podem produzir ganhos mensuráveis de mídia crítica nos anos iniciais.
• Tutoria no nível da série: os companheiros personalizados do K-12 e a pesquisa sobre a armadilha da resposta correta examinam a eficácia da tutoria para estudantes mais jovens.
• A restrição da tutoria com IA é o engajamento, não a capacidade. Em 18 escolas de ensino médio do Tennessee, a designação para o Khanmigo elevou o desempenho em matemática em ~0,06–0,08 DP por ano letivo — ganhos semelhantes aos da prática do Khan Academy sem IA —, porque o estudante mediano trocou mensagens com o tutor em apenas 17% das sessões de erro (Oreopoulos e Low, 2026)).
• Adequação ao desenvolvimento: a pesquisa sobre segurança infantil e as considerações de educação especial abordam as necessidades de populações diversas do K-12.
• IA conversacional ajustada à idade: Vahedian Movahed & Martin (2025) implantaram o AMA, um chatbot delimitado por tópico com ajuste de prompt variando por idade, com 63 estudantes (1ª série e 6ª–8ª). As crianças mostraram ampla abertura e alta confiança no chatbot como fonte de informação e testaram ativamente sua credibilidade com perguntas de resposta conhecida, enquanto lacunas na consciência de segurança digital (algumas estavam dispostas a confiar segredos) apontam para andaimento sensível à idade e instrução explícita em privacidade.

Efeitos do conhecimento do professor

• Efeitos do conhecimento do professor. Um estudo cross-level (46 professores, 2.832 estudantes do secundário) constatou que o conhecimento pedagógico de IA do professor — e não o conhecimento técnico de IA — impulsionou as percepções dos estudantes sobre a IA para o bem social e sua intenção de aprender IA, reforçando uma abordagem "primeiro a pedagogia, depois a tecnologia" na preparação de professores de IA no K-12.
• O treinamento contínuo como restrição vinculante. A revisão de Marzano identifica o treinamento contínuo e direcionado de professores em TIC como o desafio de integração mais persistente, e ele precisa cobrir dimensões técnicas, pedagógicas e éticas, adaptando-se a ferramentas em rápida evolução. O treinamento inicial e contínuo deve ser contínuo, colaborativo, baseado em jogos, focado em transparência e fundamentado no desenvolvimento profissional para ferramentas avançadas como o ChatGPT. Isso se estende à IA de apoio à colaboração em sala de aula: o estudo de viabilidade do Community Builder (CoBi) em salas de ensino médio constatou que o uso de alta integridade pelo professor dependia de aprendizagem profissional substancial, com professores mal preparados derivando para tratar a ferramenta como monitor de desempenho ou para discussão geral sobre IA, em vez de seu foco colaborativo pretendido.
• A lacuna de competência. A pesquisa mostra que os professores superestimam sistematicamente sua competência em IA — uma lacuna de cerca de 40% entre autorrelato e desempenho —, mas intervenções breves de treinamento (por exemplo, workshops de prompting de 4 horas) podem produzir integração substancialmente maior de IA em sala de aula. Isso torna a preparação do professor e a formação de professores centrais para a integração bem-sucedida da IA no K-12.

Quatro domínios de oportunidade

A revisão sistemática consolida o que a GAI pode fazer nas escolas em quatro domínios recorrentes:

• Aprendizagem personalizada. A GAI ajusta as experiências de aprendizagem às necessidades, ao ritmo e à prontidão individuais — o benefício emblemático documentado nos sistemas companheiros e nas plataformas adaptativas.
• Legibilidade e alinhamento curricular. Bird (2026) funde a classificação textual por transformers com características de linguística computacional para classificar literatura inglesa pelo Key Stage do Reino Unido (F1 0,996), empacotada em um aplicativo web sem código para que os professores possam alinhar materiais de leitura aos níveis dos estudantes — um complemento concreto e relevante para a disciplina (inglês/literatura) à base de evidências do K-12 tão concentrada em STEM.
• Motivação e engajamento. Ferramentas como o ChatGPT tornam a aprendizagem mais engajante para estudantes mais jovens, apoiando o engajamento e a motivação — embora a revisão também alerte que isso pode virar excesso de confiança e dependência tecnológica.

Uma meta-análise de 42 estudos qualifica isso: o efeito motivacional foi o menor em contextos escolares (secundário g = 0,360, primário g = 0,311) contra g = 0,886 na universidade, embora esses subgrupos repousem sobre apenas 9 e 4 estudos (Fang et al. (2026)).

• Avaliação. A GAI melhora os métodos de avaliação, do formativo Retroalimentação (Feedback) à pontuação automatizada, embora o viés no feedback automatizado siga sendo uma preocupação viva. Razavi e Powers (2026) estendem isso à calibração de itens no K-5: ao longo de 5.170 itens de matemática e leitura, as classificações de dificuldade zero-shot do GPT-4o correlacionaram-se de moderada a fortemente com as dificuldades calibradas por Rasch (r = 0,83 em matemática, r = 0,81 em leitura), mas foram desiguais entre séries e não melhores do que um regressor dummy de média de série para as séries K e 1 — uma limitação de restrição de faixa que importa para a avaliação nos anos iniciais. Uma abordagem baseada em características (características extraídas por LLM em modelos baseados em árvores) alcançou correlações de até r = 0,87, com ganhos mais pronunciados para itens dos anos iniciais. Uma questão relacionada é qual modelo uma escola executa, afinal: em conjuntos de ciências do ensino médio alinhados ao NGSS (1.078 itens) e do ensino médio superior (1.150 itens), nove modelos de peso aberto de seis laboratórios pontuaram em sua maioria acima de 90%, e o tamanho do modelo não previu a precisão — OSS-20b e Nemotron 3 Nano 30b a3 igualaram modelos várias vezes maiores —, enquanto a dificuldade dos itens ficou alta e a discriminação, baixa, levando os autores a perguntar se o benchmark é fácil demais (Schroeder et al. 2026).
• Práticas de ensino inovadoras. Abordagens imersivas, baseadas em jogos e colaborativas tornam a aprendizagem mais engajante, com modelos construcionistas e baseados em projetos mostrando promessa particular. Um exemplo concreto em escala de sala de aula é o Community Builder (CoBi), um sistema de apoio à colaboração com IA implantado em seis salas de ensino médio que usou reconhecimento de fala para visualizar o discurso "elevador" de pequenos grupos — evidência de que a IA de fala em tempo real pode funcionar de forma viável em ambientes ruidosos do K-12 para apoiar a dimensão relacional da aprendizagem.

Imperativo de relevância cultural

O desenho curricular apoiado por LLM mostra promessa para diversificar materiais — em um estudo, 78% dos professores acharam as sugestões de IA úteis para a pedagogia culturalmente relevante. No entanto, a maioria das ferramentas de IA centra perspectivas dominantes, exigindo desenho deliberado centrado na equidade para evitar ampliar as lacunas de oportunidade.

Tradução da política para a prática

As políticas institucionais de GenAI carecem em grande parte de orientação de implementação. A revisão sistemática ressalta que as diretrizes ministeriais que abordam ética e privacidade seguem subdesenvolvidas, ecoando o problema de tradução da política para a prática: os modelos bem-sucedidos transformam documentos de política em módulos de formação acionáveis para professores, fazendo a ponte entre o "o quê" (política) e o "como" (instrução de prompting).

Escala e equidade

A implantação de IA no K-12 opera em escala societal — milhões de estudantes, educação compulsória e implicações significativas de equidade. A pesquisa em equidade examina se a IA amplia ou estreita as lacunas de oportunidade, incluindo acesso e apoio inclusivo para estudantes com deficiência — uma das oito áreas pouco estudadas da revisão.

Oito lacunas de pesquisa

Uma contribuição inovadora da revisão de Marzano é a enumeração explícita de oito lacunas de pesquisa pouco exploradas que moldam uma agenda de pesquisa em GenAI no K-12: (1) a falta de exemplos concretos de IA no ensino para construir unidades de ensino; (2) a necessidade de formação prática e cotidiana de professores baseada na aplicação constante de IA; (3) habilidades em aprendizagem de máquina e um equilíbrio entre disciplinas, com o STEM super-representado; (4) a falta de estudos e experimentos na Europa; (5) a necessidade de definir o papel do professor e de criar frameworks pedagógicos específicos, como o TPACK ou o AI4K12; (6) inclusividade e apoio para estudantes com deficiência; (7) uma conexão com teorias pedagógicas e metodologias inovadoras; e (8) aplicações de tecnologias emergentes, como wearables, controle de robôs e comunicação móvel.

Conexões

O K-12 se conecta à segurança pedagógica (proteção da criança), ao letramento em IA (competência do estudante), ao papel do professor (transformação do professor do K-12), à equidade na educação com IA (lacunas de acesso) e à educação especial (necessidades diversas de aprendizagem). Sua base de evidências de revisão sistemática se liga à meta-análise e revisão sistemática como método, e seu achado de desequilíbrio entre disciplinas se conecta ao STEM, às humanidades e à educação infantil e ensino fundamental.

Implicações para instrutores do K-12

• Priorize as salvaguardas seguras para crianças. O uso de IA no K-12 exige proteções mais fortes de segurança — use ferramentas especificamente construídas e avaliadas para crianças (EduZone, EduGuard) e fique atento aos danos dos tutores sem salvaguardas (pesquisa sobre danos dos tutores).

• Construa o letramento em IA de forma apropriada à idade. Use currículos e frameworks desenhados para estudantes mais jovens (módulos de letramento em IA para o K-12) e não pressuponha que os estudantes cheguem com conhecimento de uso responsável.

• Feche a lacuna de competência do professor. Professores superestimam sistematicamente sua competência em IA (lacuna de ~40% entre autorrelato e desempenho), mas um treinamento curto (por exemplo, workshops de prompting de 4 horas) produz integração substancialmente maior de IA em sala de aula — invista na sua própria preparação (competência em IA do professor, formação de professores).

• Mantenha o treinamento contínuo e fundamentado na prática. A recomendação central da revisão sistemática é que a formação de professores não pode ser pontual — ela precisa ser contínua, colaborativa e baseada na aplicação cotidiana constante de IA, e não em teoria abstrata.

• Diversifique os materiais deliberadamente. A IA é forte na geração de material culturalmente relevante (78% dos professores acham as sugestões úteis), mas as ferramentas assumem por padrão perspectivas dominantes — use a IA ativamente para ampliar, e não estreitar, a representação, e proteja-se contra lacunas de oportunidade.

• Fique atento ao risco de penalidade de aprendizagem. A evidência mostra que terceirizar o trabalho para a IA pode prejudicar a aprendizagem, especialmente para estudantes mais velhos (rendição cognitiva, penalidade da terceirização da lição de casa) — desenhe tarefas que mantenham o trabalho cognitivo no circuito e avaliem a compreensão durável, e não apenas a conclusão.

• Distinga uma desaceleração produtiva de uma sequência de acertos. Um experimento de campo randomizado com mais de 6.000 estudantes de ensino médio constatou que o apoio da IA desacelerou o progresso, mas elevou a correção na tentativa seguinte após erros, enquanto uma regra de três acertos seguidos elevou o domínio na plataforma em cerca de 28,7 pontos percentuais sem melhorar um teste atrasado uma semana depois (Oreopoulos et al. (2026)).

• Desenhe ferramentas de professor para o julgamento, não para o volume. Mais informação de IA não é melhor: alertas em tempo real ampliaram a consciência dos professores, mas em alguns estudos sobrecarregaram a atenção ou puxaram o foco de sua própria observação, e um único professor não consegue agir sobre mais alvos de intervenção do que pode fisicamente alcançar (Lee 2026). Ferramentas que priorizam e explicam o que vale a pena fazer, e permitem aos professores aceitar, revisar, adiar ou rejeitar recomendações, se encaixam melhor no trabalho do que painéis que expõem tudo — e as condições estruturais (tempo de revisão, tamanho da turma, pessoal de apoio) são parte da intervenção, e não logística de fundo.

• Vá além do STEM. A base de evidências pende fortemente para o STEM; educadores e pesquisadores das artes e das humanidades têm uma oportunidade desproporcional de gerar a evidência com equilíbrio entre disciplinas que o campo está perdendo.

• Traduza a política em prática. As políticas institucionais de GenAI frequentemente carecem de orientação de implementação; transforme a política em práticas de sala de aula concretas e acionáveis e em treinamento (da política para a prática).

Adoção de IA e ceticismo no K-12

• À medida que a IA entra nas escolas, o pessoal que ela afeta é cada vez mais instado a consultar IA conversacional sobre a adoção. Uma auditoria algorítmica de dez LLMs de fronteira sondou uma persona de cético da IA do K-12 rural, constatando que oito dos dez modelos reconheceram preocupações antes de redirecionar para enquadramentos de engajamento com a IA — um resultado de desenho dependente do modelo, e não uma propriedade inevitável dos LLMs. A confiança, o ceticismo e a supervisão humana são, portanto, centrais para como o pessoal rural e de outros contextos do K-12 encontra a IA.

Conceitos conectados

• Padrões pedagógicos — O nível dos estudos de falha produtiva, mudança conceitual e avaliação oral
• Educação infantil e anos iniciais — Educação em IA na educação infantil e no ensino fundamental
• Segurança pedagógica — Salvaguardas seguras para crianças nas interações com IA de estudantes mais jovens
• Letramento em IA — Compreensão apropriada à idade e uso responsável da IA pelos estudantes
• A docência — Transformação do professor e integração da IA nas salas do K-12
• Equidade na educação com IA — Se a IA amplia ou estreita as lacunas de oportunidade no K-12
• Educação especial — Necessidades diversas de aprendizagem no uso de IA no K-12
• Andaime (Scaffolding) — Estruturas de apoio à aprendizagem com IA no K-12
• Aprendizagem personalizada — Instrução ajustada possibilitada pela IA no nível da escola
• Educação em STEM — Letramento em IA e ferramentas ao longo do STEM de ciências, tecnologia, engenharia e matemática no K-12
• IA generativa — A tecnologia central por trás das ferramentas e currículos de IA do K-12
• Desenvolvimento profissional — Treinamento e capacitação de professores para a IA em sala de aula
• Aprendizagem sociocultural — Dimensões sociais e culturais da aprendizagem com IA no K-12
• Metacognição — Pensar sobre o pensamento; chave para a aprendizagem durável na era da IA
• Desenvolvimento educacional — Desenvolvimento profissional contínuo para professores
• Desenho de aprendizagem — Desenhar aulas e materiais com apoio da IA
• Aprendizagem ativa — Manter o trabalho cognitivo no circuito ao usar IA
• Pensamento computacional — Habilidade fundacional do K-12 e alvo curricular de IA
• Tutoria inteligente — Sistemas de tutoria com IA para estudantes mais jovens
• Meta-Análise e Revisão Sistemática — O método de revisão sistemática por trás da base de evidências do K-12
• Educação em humanidades e ciências sociais — Contraparte de equilíbrio disciplinar à evidência de IA no K-12 tão concentrada em STEM
• Pais e famílias
• Rendição cognitiva

Artigos conectados

• Generative Artificial Intelligence (GAI) in Teaching and Learning Processes at the K-12 Level: A Systematic Review — Revisão sistemática da IA generativa no ensino e na aprendizagem do K-12 (Marzano 2026)

• Pedagogy first, technology second: Cross-level relationships between teacher professional knowledge and student — Efeitos cross-level do conhecimento de IA do professor (TAIK, TPAIK) sobre a aprendizagem dos estudantes na educação secundária com IA (Shen et al. 2026)

• Does school-based AI education narrow readiness gaps? The role of prior agency-related learning — A educação em IA na escola estreita lacunas psicológicas, mas não cognitivas, de prontidão

• AI Tutoring is Not a Monolith: What We Actually Know — A tutoria com IA não é um monólito: o que realmente sabemos (brief do Stanford SCALE/NSSA)

• AI-Supported Problem-Based Learning for Enhancing Computational Thinking — Aprendizagem baseada em projetos assistida por IA e pensamento computacional

• Virtual Tutoring with Computer-Assisted Learning: An Experiment in Take-Up and Learning — Tutoria virtual com CAL: um experimento de adesão e aprendizagem

• Making AI Tutoring Productive: Evidence from a Mastery-Based Math Practice Experiment — Tornando a tutoria com IA produtiva: prática de matemática baseada em domínio

• One Click Away: AI Tutoring with Khanmigo in a Two-Year School Experiment — A um clique de distância: o Khanmigo em um experimento escolar de dois anos

• EduZone: A Framework for Evaluating LLM Safety for K-12 Students and Teachers — EduZone: plataforma de interação com LLM segura para crianças no K-12

• EduGuard: A Safe RAG-Based LLM Tutor for Programming Education — EduGuard: salvaguardas de tutor LLM com RAG seguro

• SafeTutors: Benchmarking Pedagogical Safety in AI Tutoring Systems — Pesquisa sobre danos de tutores de IA sem salvaguardas para crianças

• Learning to Use AI for Learning: Teaching Responsible Use of AI Chatbot to K-12 Students Through an AI Literacy Module — Módulos de letramento em IA do K-12 sobre prompting

• The Evidence Base on AI in K-12: A 2026 Review — A base de evidências de IA no K-12 agregada em escala

• ECNUClaw: A Learner-Profiled Intelligent Study Companion Framework for K-12 Personalized Education — Companheiros de IA personalizados do K-12

• A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding — Framework de vibe coding que empodera professores a construir ferramentas de IA

• Rethinking Elementary Education's Writing Instruction in The Age of Generative AI: A Systematic Review — Revisão sistemática: GenAI e escrita no ensino fundamental

• Young People, Learning, and Generative AI: A Rapid Literature Review and Implications for PreK-12 Education — Revisão rápida: GenAI e estudantes do PreK-12 (271 artigos)

• Faster Completion, Less Learning: Generative AI Reduced Study Time on Math Problems and the Knowledge They Build — A rendição cognitiva é mais forte para estudantes do ensino médio, ausente na 5ª série

• The Generative AI Learning Penalty: Evidence from Chinese Secondary Education — A penalidade de aprendizagem da IA generativa: a terceirização da lição de casa prejudica a aprendizagem

• Marked Pedagogies: Examining Linguistic Biases in Personalized Automated Writing Feedback — Marked Pedagogies: viés no feedback automatizado para a escrita no ensino médio

• Code to Learn with Generative AI: A Theoretically Grounded Framework for Artifact Construction in Upper-Secondary Education — CtL-GenAI: framework construcionista para construção de artefatos

• Beyond “painting in pink”: A critical case study of all-girls generative AI workshops in a European makerspace — Workshops de makerspace de GenAI só para meninas e equidade de gênero na computação

• Transforming clicks into critical thinking: An AI-based media literacy program for children — Programa de letramento crítico em mídia baseado em IA para crianças

• What differentiates educational literature? A multimodal fusion approach of transformers and computational linguistics — Fusão multimodal para classificar literatura educacional

• Estimating Item Difficulty Using Large Language Models and Tree-Based Machine Learning Algorithms — Estimativa da dificuldade de itens usando LLMs e ML baseado em árvores

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

• Ask Me Anything: Exploring Children's Attitudes Toward an Age-tailored AI-powered Chatbot

• Teacher intervention in K-12 AI-based instruction: a systematic review of processes, strategies, and effects — Intervenção do professor na instrução com IA no K-12: uma revisão sistemática

• A Benchmark for LLM's Understanding of Middle School and High School Science Topics — Um benchmark da compreensão dos LLMs sobre tópicos de ciências do ensino médio e médio superior

• Effects of generative artificial intelligence on students' learning motivation: evidence from a meta-analysis — Meta-análise do efeito da GenAI sobre a motivação, menor em contextos escolares (secundário g = 0,360, primário g = 0,311)